Buchumschlag

Multimodal Action Quality Assessment

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zeng, Ling-An, Zheng, Wei-Shi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Signal Processing Artificial Intelligence Computer Vision and Pattern Recognition I.2.10
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vectra: A New Metric, Dataset, and Model for Visual Quality Assessment in E-Commerce In-Image Machine Translation
von: Wu, Qingyu, et al.
Veröffentlicht: (2026)

Rethinking Multimodal Point Cloud Completion: A Completion-by-Correction Perspective
von: Luo, Wang, et al.
Veröffentlicht: (2025)

Disrupting Diffusion: Token-Level Attention Erasure Attack against Diffusion-based Customization
von: Liu, Yisu, et al.
Veröffentlicht: (2024)

CoT4AD: A Vision-Language-Action Model with Explicit Chain-of-Thought Reasoning for Autonomous Driving
von: Wang, Zhaohui, et al.
Veröffentlicht: (2025)

Sora as a World Model? A Complete Survey on Text-to-Video Generation
von: Puspitasari, Fachrina Dewi, et al.
Veröffentlicht: (2024)

Dynamic Residual Encoding with Slide-Level Contrastive Learning for End-to-End Whole Slide Image Representation
von: Jin, Jing, et al.
Veröffentlicht: (2025)

EventFormer: A Node-graph Hierarchical Attention Transformer for Action-centric Video Event Prediction
von: Su, Qile, et al.
Veröffentlicht: (2025)

Automated Defect Detection for Mass-Produced Electronic Components Based on YOLO Object Detection Models
von: Mao, Wei-Lung, et al.
Veröffentlicht: (2025)

SAFformer:Improving Spiking Transformer via Active Predictive Filtering
von: Xie, Zequan, et al.
Veröffentlicht: (2026)

MFTF: Mask-free Training-free Object Level Layout Control Diffusion Model
von: Yang, Shan
Veröffentlicht: (2024)

Unified Auto-Encoding with Masked Diffusion
von: Hansen-Estruch, Philippe, et al.
Veröffentlicht: (2024)

Demo-Pose: Depth-Monocular Modality Fusion For Object Pose Estimation
von: Agarwal, Rachit, et al.
Veröffentlicht: (2026)

SITUATE -- Synthetic Object Counting Dataset for VLM training
von: Peinl, René, et al.
Veröffentlicht: (2026)

Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views
von: Chen, Zhangquan, et al.
Veröffentlicht: (2025)

Image Segmentation and Classification of E-waste for Training Robots for Waste Segregation
von: Tripathi, Prakriti
Veröffentlicht: (2025)

ProtoFlow: Interpretable and Robust Surgical Workflow Modeling with Learned Dynamic Scene Graph Prototypes
von: Holm, Felix, et al.
Veröffentlicht: (2025)

Siamese Networks for Cat Re-Identification: Exploring Neural Models for Cat Instance Recognition
von: Trein, Tobias, et al.
Veröffentlicht: (2025)

Evaluation of Environmental Conditions on Object Detection using Oriented Bounding Boxes for AR Applications
von: Li, Vladislav, et al.
Veröffentlicht: (2023)

Appearance-based gaze estimation enhanced with synthetic images using deep neural networks
von: Herashchenko, Dmytro, et al.
Veröffentlicht: (2023)

From Prompt to Production:Automating Brand-Safe Marketing Imagery with Text-to-Image Models
von: Atighehchian, Parmida, et al.
Veröffentlicht: (2026)

Attentive VQ-VAE
von: Hoyos, Angello, et al.
Veröffentlicht: (2023)

TexTailor: Customized Text-aligned Texturing via Effective Resampling
von: Lee, Suin, et al.
Veröffentlicht: (2025)

SIFThinker: Spatially-Aware Image Focus for Visual Reasoning
von: Chen, Zhangquan, et al.
Veröffentlicht: (2025)

OmniVideo-R1: Reinforcing Audio-visual Reasoning with Query Intention and Modality Attention
von: Chen, Zhangquan, et al.
Veröffentlicht: (2026)

CLIP Embeddings for AI-Generated Image Detection: A Few-Shot Study with Lightweight Classifier
von: Ou, Ziyang
Veröffentlicht: (2025)

CoMViT: An Efficient Vision Backbone for Supervised Classification in Medical Imaging
von: Safdar, Aon, et al.
Veröffentlicht: (2025)

Next-Generation License Plate Detection and Recognition System using YOLOv8
von: Amin, Arslan, et al.
Veröffentlicht: (2025)

3DCity-LLM: Empowering Multi-modality Large Language Models for 3D City-scale Perception and Understanding
von: Chen, Yiping, et al.
Veröffentlicht: (2026)

VSI: Visual Subtitle Integration for Keyframe Selection to enhance Long Video Understanding
von: He, Jianxiang, et al.
Veröffentlicht: (2025)

Instruction-based Image Editing with Planning, Reasoning, and Generation
von: Ji, Liya, et al.
Veröffentlicht: (2026)

Fre-Res: Frequency-Residual Video Token Compression for Efficient Video MLLMs
von: Feng, Yigui, et al.
Veröffentlicht: (2026)

Robust Visual Question Answering: Datasets, Methods, and Future Challenges
von: Ma, Jie, et al.
Veröffentlicht: (2023)

From Latent to Engine Manifolds: Analyzing ImageBind's Multimodal Embedding Space
von: Hamara, Andrew, et al.
Veröffentlicht: (2024)

ESCAPE: Energy-based Selective Adaptive Correction for Out-of-distribution 3D Human Pose Estimation
von: Bidulka, Luke, et al.
Veröffentlicht: (2024)

MPCC: A Novel Benchmark for Multimodal Planning with Complex Constraints in Multimodal Large Language Models
von: Ji, Yiyan, et al.
Veröffentlicht: (2025)

SLUM-i: Semi-supervised Learning for Urban Mapping of Informal Settlements and Data Quality Benchmarking
von: Mukhtar, Muhammad Taha, et al.
Veröffentlicht: (2026)

DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction
von: Du, Chenhe, et al.
Veröffentlicht: (2024)

MM-Food-100K: A 100,000-Sample Multimodal Food Intelligence Dataset with Verifiable Provenance
von: Dong, Yi, et al.
Veröffentlicht: (2025)

A Deep Learning Approach for Pixel-level Material Classification via Hyperspectral Imaging
von: Sifnaios, Savvas, et al.
Veröffentlicht: (2024)

Supervised Contrastive Learning for Few-Shot AI-Generated Image Detection and Attribution
von: Urueña, Jaime Álvarez, et al.
Veröffentlicht: (2025)