EtC: Temporal Boundary Expand then Clarify for Weakly Supervised Video Grounding with Multimodal Large Language Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Guozhang, Ding, Xinpeng, Cheng, De, Li, Jie, Wang, Nannan, Gao, Xinbo
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

StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning
von: Wang, Huaijie, et al.
Veröffentlicht: (2025)

Pro2SAM: Mask Prompt to SAM with Grid Points for Weakly Supervised Object Localization
von: Yang, Xi, et al.
Veröffentlicht: (2025)

Prompt Disentanglement via Language Guidance and Representation Alignment for Domain Generalization
von: Cheng, De, et al.
Veröffentlicht: (2025)

Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID
von: He, Lingfeng, et al.
Veröffentlicht: (2024)

EKPC: Elastic Knowledge Preservation and Compensation for Class-Incremental Learning
von: Wang, Huaijie, et al.
Veröffentlicht: (2025)

CLIP-Driven Cloth-Agnostic Feature Learning for Cloth-Changing Person Re-Identification
von: Li, Shuang, et al.
Veröffentlicht: (2024)

TOGA: Temporally Grounded Open-Ended Video QA with Weak Supervision
von: Gupta, Ayush, et al.
Veröffentlicht: (2025)

Weakly Supervised Gaussian Contrastive Grounding with Large Multimodal Models for Video Question Answering
von: Wang, Haibo, et al.
Veröffentlicht: (2024)

Contextual Self-paced Learning for Weakly Supervised Spatio-Temporal Video Grounding
von: Kumar, Akash, et al.
Veröffentlicht: (2025)

Finding Optimal Video Moment without Training: Gaussian Boundary Optimization for Weakly Supervised Video Grounding
von: Kim, Sunoh, et al.
Veröffentlicht: (2026)

A Survey on Video Temporal Grounding with Multimodal Large Language Model
von: Wu, Jianlong, et al.
Veröffentlicht: (2025)

VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding
von: Wang, Shihao, et al.
Veröffentlicht: (2025)

Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID
von: Cheng, De, et al.
Veröffentlicht: (2025)

Enhancing Weakly Supervised Video Grounding via Diverse Inference Strategies for Boundary and Prediction Selection
von: Kim, Sunoh, et al.
Veröffentlicht: (2025)

Enhancing Visual Token Representations for Video Large Language Models via Training-Free Spatial-Temporal Pooling and Gridding
von: Luo, Bingjun, et al.
Veröffentlicht: (2026)

SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability
von: Wang, Jiankang, et al.
Veröffentlicht: (2025)

GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding
von: Fan, Rong, et al.
Veröffentlicht: (2026)

Beyond Euclidean: Dual-Space Representation Learning for Weakly Supervised Video Violence Detection
von: Leng, Jiaxu, et al.
Veröffentlicht: (2024)

Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement
von: Cheng, De, et al.
Veröffentlicht: (2023)

Face-Guided Sentiment Boundary Enhancement for Weakly-Supervised Temporal Sentiment Localization
von: Han, Cailing, et al.
Veröffentlicht: (2026)

Boosting Temporal Sentence Grounding via Causal Inference
von: Tang, Kefan, et al.
Veröffentlicht: (2025)

SPKLIP: Aligning Spike Video Streams with Natural Language
von: Gao, Yongchang, et al.
Veröffentlicht: (2025)

Video-OPD: Efficient Post-Training of Multimodal Large Language Models for Temporal Video Grounding via On-Policy Distillation
von: Li, Jiaze, et al.
Veröffentlicht: (2026)

STPro: Spatial and Temporal Progressive Learning for Weakly Supervised Spatio-Temporal Grounding
von: Garg, Aaryan, et al.
Veröffentlicht: (2025)

Grounded-VideoLLM: Sharpening Fine-grained Temporal Grounding in Video Large Language Models
von: Wang, Haibo, et al.
Veröffentlicht: (2024)

SketchJudge: A Diagnostic Benchmark for Grading Hand-drawn Diagrams with Multimodal Large Language Models
von: Su, Yuhang, et al.
Veröffentlicht: (2026)

Weakly Supervised Temporal Sentence Grounding via Positive Sample Mining
von: Dong, Lu, et al.
Veröffentlicht: (2025)

One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation
von: Wu, Xue, et al.
Veröffentlicht: (2025)

Universal Video Temporal Grounding with Generative Multi-modal Large Language Models
von: Li, Zeqian, et al.
Veröffentlicht: (2025)

Bridging Generative and Discriminative Models for Unified Visual Perception with Diffusion Priors
von: Dong, Shiyin, et al.
Veröffentlicht: (2024)

ChatVTG: Video Temporal Grounding via Chat with Video Dialogue Large Language Models
von: Qu, Mengxue, et al.
Veröffentlicht: (2024)

VideoPerceiver: Enhancing Fine-Grained Temporal Perception in Video Multimodal Large Language Models
von: Zhao, Fufangchen, et al.
Veröffentlicht: (2025)

Weakly Supervised Temporal Action Localization via Dual-Prior Collaborative Learning Guided by Multimodal Large Language Models
von: Zhang, Quan, et al.
Veröffentlicht: (2024)

Task-Driven Subspace Decomposition for Knowledge Sharing and Isolation in LoRA-based Continual Learning
von: He, Lingfeng, et al.
Veröffentlicht: (2026)

Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification
von: Shi, Haonan, et al.
Veröffentlicht: (2025)

Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID
von: Cheng, De, et al.
Veröffentlicht: (2023)

Lightweight RGB-D Salient Object Detection from a Speed-Accuracy Tradeoff Perspective
von: Duan, Songsong, et al.
Veröffentlicht: (2025)

Video-Level Language-Driven Video-Based Visible-Infrared Person Re-Identification
von: Li, Shuang, et al.
Veröffentlicht: (2025)

Weakly Supervised LiDAR Semantic Segmentation via Scatter Image Annotation
von: Chen, Yilong, et al.
Veröffentlicht: (2024)

Detector-Empowered Video Large Language Model for Efficient Spatio-Temporal Grounding
von: Gao, Shida, et al.
Veröffentlicht: (2025)