Buchumschlag

LoCoNet: Long-Short Context Network for Active Speaker Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Xizi, Cheng, Feng, Bertasius, Gedas, Crandall, David
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TimeRefine: Temporal Grounding with Time Refining Video LLM
von: Wang, Xizi, et al.
Veröffentlicht: (2024)

RGNet: A Unified Clip Retrieval and Grounding Network for Long Videos
von: Hannan, Tanveer, et al.
Veröffentlicht: (2023)

Sequence-Based Identification of First-Person Camera Wearers in Third-Person Views
von: Zhao, Ziwei, et al.
Veröffentlicht: (2025)

BASKET: A Large-Scale Video Dataset for Fine-Grained Skill Estimation
von: Pan, Yulu, et al.
Veröffentlicht: (2025)

BIMBA: Selective-Scan Compression for Long-Range Video Question Answering
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2025)

EgoVIS@CVPR: PAIR-Net: Enhancing Egocentric Speaker Detection via Pretrained Audio-Visual Fusion and Alignment Loss
von: Wang, Yu, et al.
Veröffentlicht: (2025)

GateFusion: Hierarchical Gated Cross-Modal Fusion for Active Speaker Detection
von: Wang, Yu, et al.
Veröffentlicht: (2025)

Siamese Vision Transformers are Scalable Audio-visual Learners
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2024)

ReVisionLLM: Recursive Vision-Language Model for Temporal Grounding in Hour-Long Videos
von: Hannan, Tanveer, et al.
Veröffentlicht: (2024)

Video ReCap: Recursive Captioning of Hour-Long Videos
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2024)

BOSS: Benchmark for Observation Space Shift in Long-Horizon Task
von: Yang, Yue, et al.
Veröffentlicht: (2025)

VideoTree: Adaptive Tree-based Video Representation for LLM Reasoning on Long Videos
von: Wang, Ziyang, et al.
Veröffentlicht: (2024)

A Simple LLM Framework for Long-Range Video Question-Answering
von: Zhang, Ce, et al.
Veröffentlicht: (2023)

LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies
von: Yang, Yue, et al.
Veröffentlicht: (2026)

TeDiO: Temporal Diagonal Optimization for Training-Free Coherent Video Diffusion
von: Tursynbek, Nurislam, et al.
Veröffentlicht: (2026)

SiLVR: A Simple Language-based Video Reasoning Framework
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

DocSLM: A Small Vision-Language Model for Long Multimodal Document Understanding
von: Hannan, Tanveer, et al.
Veröffentlicht: (2025)

DAM: Dynamic Adapter Merging for Continual Video QA Learning
von: Cheng, Feng, et al.
Veröffentlicht: (2024)

ExAct: A Video-Language Benchmark for Expert Action Analysis
von: Yi, Han, et al.
Veröffentlicht: (2025)

Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2024)

SVI-Bench: A Dynamic Microworld for Strategic Video Intelligence
von: Pan, Yulu, et al.
Veröffentlicht: (2026)

Enhancing Visual Planning with Auxiliary Tasks and Multi-token Prediction
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

Video-RTS: Rethinking Reinforcement Learning and Test-Time Scaling for Efficient and Enhanced Video Reasoning
von: Wang, Ziyang, et al.
Veröffentlicht: (2025)

VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2024)

EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding
von: Wang, Ziyang, et al.
Veröffentlicht: (2026)

ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding
von: Zhou, Yiyang, et al.
Veröffentlicht: (2025)

TimeBlind: A Spatio-Temporal Compositionality Benchmark for Video LLMs
von: Li, Baiqi, et al.
Veröffentlicht: (2026)

ReBot: Scaling Robot Learning with Real-to-Sim-to-Real Robotic Video Synthesis
von: Fang, Yu, et al.
Veröffentlicht: (2025)

LoSh: Long-Short Text Joint Prediction Network for Referring Video Object Segmentation
von: Yuan, Linfeng, et al.
Veröffentlicht: (2023)

HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection
von: Xu, Shibiao, et al.
Veröffentlicht: (2024)

ASDnB: Merging Face with Body Cues For Robust Active Speaker Detection
von: Roxo, Tiago, et al.
Veröffentlicht: (2024)

LoViC: Efficient Long Video Generation with Context Compression
von: Jiang, Jiaxiu, et al.
Veröffentlicht: (2025)

MSCA-Net:Multi-Scale Context Aggregation Network for Infrared Small Target Detection
von: Lu, Xiaojin, et al.
Veröffentlicht: (2025)

LoSA: Long-Short-range Adapter for Scaling End-to-End Temporal Action Localization
von: Gupta, Akshita, et al.
Veröffentlicht: (2024)

V2M-Zero: Zero-Pair Time-Aligned Video-to-Music Generation
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2026)

FriendNet: Detection-Friendly Dehazing Network
von: Fan, Yihua, et al.
Veröffentlicht: (2024)

DF-Net: The Digital Forensics Network for Image Forgery Detection
von: Fischinger, David, et al.
Veröffentlicht: (2025)

In-Context LoRA for Diffusion Transformers
von: Huang, Lianghua, et al.
Veröffentlicht: (2024)

BIAS: A Body-based Interpretable Active Speaker Approach
von: Roxo, Tiago, et al.
Veröffentlicht: (2024)

OverLoCK: An Overview-first-Look-Closely-next ConvNet with Context-Mixing Dynamic Kernels
von: Lou, Meng, et al.
Veröffentlicht: (2025)