Neuste Artikel für Videoanalyse

Diese Studie untersucht, wie Maschinen Aktionen mit ihren Ergebnissen durch Videoanalyse verbinden.

Ein Rahmen, um Video-Vorhersagen verständlich und vertrauenswürdig zu machen.

FineBio bietet ein Datenset an, um Aktionen in biologischen Experimenten über Video zu verfolgen.

M-RAAP optimiert die Kombination von Video- und Textdaten für bessere Suchergebnisse.

Eine neue Methode verbessert die audio-visuelle Segmentierung ohne detaillierte Labels.

Ein neuer Datensatz verbessert die Fähigkeit von KI, menschliches Verhalten in Videos zu interpretieren.

Ein Datensatz zur Bewertung von Schwierigkeiten bei Montageaufgaben anhand von Videoannotations.

UniVS vereinfacht Video-Segmentierungsaufgaben mit Prompts für bessere Leistung und Vielseitigkeit.

TV-TREES verbessert die Video-Fragebeantwortung mit klaren Denkstrukturen.

Diese Forschung untersucht den Wechsel von absichtlichen zu unbeabsichtigten Handlungen in Videos.

Ein neues System erkennt Schüleraktionen in Klassenraumvideos mit hoher Effizienz.

Eine neue Methode verbessert die Erkennung von Beziehungen in Videos mithilfe spezialisierter Modelle.

Ein neues Modell erkennt witzige Momente in Videos, indem es visuelle, Audio- und Textdaten nutzt.

Ein innovativer Ansatz, um abgelenktes Fahren zu erkennen und zu lokalisieren.

Eine neue Methode verbessert das Video-Fragenbeantworten und behält dabei das vorherige Wissen.

Mamba zeigt im Vergleich zu Transformern ein starkes Potenzial in der Videoanalyse.

HawkEye verbessert Video-Text-Modelle, um längere Videos effektiv zu verarbeiten.

Ein neuer Ansatz vereinfacht die Videozuordnung, indem er die Notwendigkeit für präzise Zeitstempel eliminiert.

DINO Tracker verbessert das Video-Punkt-Tracking und geht gut mit Unterbrechungen um.

Neue Methode verbessert die Identifizierung ungewöhnlicher Ereignisse in Videoaufnahmen.

Lern, wie Patch-Pruning die Effizienz von Deep-Learning-Modellen steigert.

Ein neuer Ansatz nutzt Sprachmodelle für eine effiziente Analyse von langen Videos.

Eine neue Methode verbessert die Aktionskennung in ungeschnittenen Videos mit wenigen Beispielen.

Annolid automatisiert die Tierverfolgung in Videos und hilft Forschern dabei, das Verhalten zu studieren.

Neue Methoden verbessern die Erkennung von Videoaktionen gegen verschiedene Verzerrungen.

Das ASTRA-Modell verbessert die Genauigkeit bei der Identifizierung von Aktionen während Fussballspielen.

DIBS verbessert die Beschriftung von Videoereignissen, indem es Grenzen mit ungelabelten Daten verfeinert.

Eine neue Methode zur Identifizierung und Beschreibung von Objekten in Videos.

Ein neuer 3D-Ansatz verbessert die Genauigkeit der Bewegungsverfolgung in Videos.

SportsHHI konzentriert sich auf menschliche Interaktionen in Basketball- und Volleyballvideos für bessere Analysen.

Eine neue Methode verbessert die Herzfrequenzmessung mithilfe von Videoanalyse und 3D-Gesichtsmodellierung.

Ein neues System verbessert die 3D-Bewegungserfassung aus 2D-Videoaufnahmen.

SPAM bietet eine smarte Möglichkeit, Videodaten effizient zu kennzeichnen.

Diese Studie verbessert die Segmentierung von bewegten Objekten, indem SAM mit optischen Fluss-Techniken kombiniert wird.

Pegasus-1 ermöglicht es den Nutzern, mit Videos in natürlicher Sprache zu interagieren.

MovieChat vereinfacht das Verständnis von langen Videos mit effektiven Techniken zur Speicherverwaltung.

Eine neue Methode verbessert, wie wir Aktionen in Videos anhand von Beispielen zählen.

Neue Methoden verbessern das Verständnis und die Analyse ungewöhnlicher Ereignisse in Videos.

Hier ist LVOS: ein Datensatz zum Verfolgen von Objekten in langen Videos.

Ein neuer Ansatz geht die Aktionssegmentierung in langen Videos mit optimalem Transport an.