Buchumschlag

VicTR: Video-conditioned Text Representations for Activity Recognition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kahatapitiya, Kumara, Arnab, Anurag, Nagrani, Arsha, Ryoo, Michael S.
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

Language Repository for Long Video Understanding
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

Understanding Long Videos with Multimodal Language Models
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

Too Many Frames, Not All Useful: Efficient Strategies for Long-Form Video QA
von: Park, Jongwoo, et al.
Veröffentlicht: (2024)

Streaming Dense Video Captioning
von: Zhou, Xingyi, et al.
Veröffentlicht: (2024)

VoCap: Video Object Captioning and Segmentation from Any Prompt
von: Uijlings, Jasper, et al.
Veröffentlicht: (2025)

Unbiasing through Textual Descriptions: Mitigating Representation Bias in Video Benchmarks
von: Shvetsova, Nina, et al.
Veröffentlicht: (2025)

Adaptive Caching for Faster Video Generation with Diffusion Transformers
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

Mixture of Nested Experts: Adaptive Processing of Visual Tokens
von: Jain, Gagan, et al.
Veröffentlicht: (2024)

Video Summarization: Towards Entity-Aware Captions
von: Ayyubi, Hammad A., et al.
Veröffentlicht: (2023)

CAViAR: Critic-Augmented Video Agentic Reasoning
von: Menon, Sachit, et al.
Veröffentlicht: (2025)

MoReVQA: Exploring Modular Reasoning Models for Video Question Answering
von: Min, Juhong, et al.
Veröffentlicht: (2024)

AutoAD III: The Prequel -- Back to the Pixels
von: Han, Tengda, et al.
Veröffentlicht: (2024)

Object-Centric Diffusion for Efficient Video Editing
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

MINERVA-Cultural: A Benchmark for Cultural and Multilingual Long Video Reasoning
von: Singh, Darshan, et al.
Veröffentlicht: (2026)

VicKAM: Visual Conceptual Knowledge Guided Action Map for Weakly Supervised Group Activity Recognition
von: Wang, Zhuming, et al.
Veröffentlicht: (2025)

AutoAD-Zero: A Training-Free Framework for Zero-Shot Audio Description
von: Xie, Junyu, et al.
Veröffentlicht: (2024)

Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
von: Nagrani, Arsha, et al.
Veröffentlicht: (2026)

Shot-by-Shot: Film-Grammar-Aware Training-Free Audio Description Generation
von: Xie, Junyu, et al.
Veröffentlicht: (2025)

Dense Video Object Captioning from Disjoint Supervision
von: Zhou, Xingyi, et al.
Veröffentlicht: (2023)

More than a Moment: Towards Coherent Sequences of Audio Descriptions
von: Khandelwal, Eshika, et al.
Veröffentlicht: (2025)

MINERVA: Evaluating Complex Video Reasoning
von: Nagrani, Arsha, et al.
Veröffentlicht: (2025)

What Are You Doing? A Closer Look at Controllable Human Video Generation
von: Bugliarello, Emanuele, et al.
Veröffentlicht: (2025)

OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory
von: An, Zhaochong, et al.
Veröffentlicht: (2025)

Context-Aware Input Orchestration for Video Inpainting
von: Kim, Hoyoung, et al.
Veröffentlicht: (2024)

LLaRA: Supercharging Robot Learning Data for Vision-Language Policy
von: Li, Xiang, et al.
Veröffentlicht: (2024)

xGen-VideoSyn-1: High-fidelity Text-to-Video Synthesis with Compressed Representations
von: Qin, Can, et al.
Veröffentlicht: (2024)

CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings
von: Mata, Cristina, et al.
Veröffentlicht: (2025)

From Image to Video: An Empirical Study of Diffusion Representations
von: Vélez, Pedro, et al.
Veröffentlicht: (2025)

OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models
von: Wysoczańska, Monika, et al.
Veröffentlicht: (2025)

End-to-end Training for Text-to-Image Synthesis using Dual-Text Embeddings
von: Ahmed, Yeruru Asrar, et al.
Veröffentlicht: (2025)

Principles of Visual Tokens for Efficient Video Understanding
von: Hao, Xinyue, et al.
Veröffentlicht: (2024)

Image Translation with Kernel Prediction Networks for Semantic Segmentation
von: Mata, Cristina, et al.
Veröffentlicht: (2025)

Seg4Diff: Unveiling Open-Vocabulary Segmentation in Text-to-Image Diffusion Transformers
von: Kim, Chaehyun, et al.
Veröffentlicht: (2025)

SAVE: Speech-Aware Video Representation Learning for Video-Text Retrieval
von: Zhao, Ruixiang, et al.
Veröffentlicht: (2026)

Neptune: The Long Orbit to Benchmarking Long Video Understanding
von: Nagrani, Arsha, et al.
Veröffentlicht: (2024)

Whats in a Video: Factorized Autoregressive Decoding for Online Dense Video Captioning
von: Piergiovanni, AJ, et al.
Veröffentlicht: (2024)

Pixel Motion as Universal Representation for Robot Control
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2025)

Multi-view Structural Convolution Network for Domain-Invariant Point Cloud Recognition of Autonomous Vehicles
von: Kim, Younggun, et al.
Veröffentlicht: (2025)

Diving Deep into the Motion Representation of Video-Text Models
von: Devaraj, Chinmaya, et al.
Veröffentlicht: (2024)

Dynamic Reflections: Probing Video Representations with Text Alignment
von: Zhu, Tyler, et al.
Veröffentlicht: (2025)