Buchumschlag

Learning Multiple Object States from Actions via Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tateno, Masatoshi, Yagi, Takuma, Furuta, Ryosuke, Sato, Yoichi
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

HanDyVQA: A Video QA Benchmark for Fine-Grained Hand-Object Interaction Dynamics
von: Tateno, Masatoshi, et al.
Veröffentlicht: (2025)

Seeking Flat Minima with Mean Teacher on Semi- and Weakly-Supervised Domain Generalization for Object Detection
von: Furuta, Ryosuke, et al.
Veröffentlicht: (2023)

ActionVOS: Actions as Prompts for Video Object Segmentation
von: Ouyang, Liangyang, et al.
Veröffentlicht: (2024)

FineBio: A Fine-Grained Video Dataset of Biological Experiments with Hierarchical Annotation
von: Yagi, Takuma, et al.
Veröffentlicht: (2024)

Exo2EgoDVC: Dense Video Captioning of Egocentric Procedural Activities Using Web Instructional Videos
von: Ohkawa, Takehiko, et al.
Veröffentlicht: (2023)

EgoInstruct: An Egocentric Video Dataset of Face-to-face Instructional Interactions with Multi-modal LLM Benchmarking
von: Sakai, Yuki, et al.
Veröffentlicht: (2025)

Pre-Training for 3D Hand Pose Estimation with Contrastive Learning on Large-Scale Hand Images in the Wild
von: Lin, Nie, et al.
Veröffentlicht: (2024)

AssemblyHands-X: Modeling 3D Hand-Body Coordination for Understanding Bimanual Human Activities
von: Banno, Tatsuro, et al.
Veröffentlicht: (2025)

Learning Gaussian Data Augmentation in Feature Space for One-shot Object Detection in Manga
von: Taniguchi, Takara, et al.
Veröffentlicht: (2024)

Inference-time Trajectory Optimization for Manga Image Editing
von: Furuta, Ryosuke
Veröffentlicht: (2026)

Leadership Assessment in Pediatric Intensive Care Unit Team Training
von: Ouyang, Liangyang, et al.
Veröffentlicht: (2025)

Affordance-Guided Diffusion Prior for 3D Hand Reconstruction
von: Suzuki, Naru, et al.
Veröffentlicht: (2025)

Multi-speaker Attention Alignment for Multimodal Social Interaction
von: Ouyang, Liangyang, et al.
Veröffentlicht: (2025)

SiMHand: Mining Similar Hands for Large-Scale 3D Hand Pose Pre-training
von: Lin, Nie, et al.
Veröffentlicht: (2025)

EgoBrain: Synergizing Minds and Eyes For Human Action Understanding
von: Lin, Nie, et al.
Veröffentlicht: (2025)

Bidirectional Action Sequence Learning for Long-term Action Anticipation with Large Language Models
von: Sato, Yuji, et al.
Veröffentlicht: (2025)

Generative Modeling of Shape-Dependent Self-Contact Human Poses
von: Ohkawa, Takehiko, et al.
Veröffentlicht: (2025)

Egocentric Gaze Estimation via Neck-Mounted Camera
von: Huang, Haoyu, et al.
Veröffentlicht: (2026)

Egocentric Action-aware Inertial Localization in Point Clouds with Vision-Language Guidance
von: Zhang, Mingfang, et al.
Veröffentlicht: (2025)

Masked Video and Body-worn IMU Autoencoder for Egocentric Action Recognition
von: Zhang, Mingfang, et al.
Veröffentlicht: (2024)

Generative Hierarchical Temporal Transformer for Hand Pose and Action Modeling
von: Wen, Yilin, et al.
Veröffentlicht: (2023)

Extending Dataset Pruning to Object Detection: A Variance-based Approach
von: Yagi, Ryota
Veröffentlicht: (2025)

VSRD++: Autolabeling for 3D Object Detection via Instance-Aware Volumetric Silhouette Rendering
von: Liu, Zihua, et al.
Veröffentlicht: (2025)

VISA: Reasoning Video Object Segmentation via Large Language Models
von: Yan, Cilin, et al.
Veröffentlicht: (2024)

Zero-shot Action Localization via the Confidence of Large Vision-Language Models
von: Aklilu, Josiah, et al.
Veröffentlicht: (2024)

The N-Body Problem: Parallel Execution from Single-Person Egocentric Video
von: Zhu, Zhifan, et al.
Veröffentlicht: (2025)

Learning to Reason and Navigate: Parameter Efficient Action Planning with Large Language Models
von: Mohammadi, Bahram, et al.
Veröffentlicht: (2025)

SFHand: Learning Embodied Manipulation by Streaming Egocentric 3D Hand Forecasting
von: Liu, Ruicong, et al.
Veröffentlicht: (2025)

CountLLM: Towards Generalizable Repetitive Action Counting via Large Language Model
von: Yao, Ziyu, 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)

Language-guided Learning for Object Detection Tackling Multiple Variations in Aerial Images
von: Park, Sungjune, et al.
Veröffentlicht: (2025)

VSRD: Instance-Aware Volumetric Silhouette Rendering for Weakly Supervised 3D Object Detection
von: Liu, Zihua, et al.
Veröffentlicht: (2024)

MambaTrack: A Simple Baseline for Multiple Object Tracking with State Space Model
von: Xiao, Changcheng, et al.
Veröffentlicht: (2024)

FairT2I: Mitigating Social Bias in Text-to-Image Generation via Large Language Model-Assisted Detection and Attribute Rebalancing
von: Sakurai, Jinya, et al.
Veröffentlicht: (2025)

Single-to-Dual-View Adaptation for Egocentric 3D Hand Pose Estimation
von: Liu, Ruicong, et al.
Veröffentlicht: (2024)

Motion State: A New Benchmark Multiple Object Tracking
von: Feng, Yang, et al.
Veröffentlicht: (2023)

LOME: Learning Human-Object Manipulation with Action-Conditioned Egocentric World Model
von: Gao, Quankai, et al.
Veröffentlicht: (2026)

Point Linguist Model: Segment Any Object via Bridged Large 3D-Language Model
von: Huang, Zhuoxu, et al.
Veröffentlicht: (2025)

Nullu: Mitigating Object Hallucinations in Large Vision-Language Models via HalluSpace Projection
von: Yang, Le, et al.
Veröffentlicht: (2024)

YOLIC: An Efficient Method for Object Localization and Classification on Edge Devices
von: Su, Kai, et al.
Veröffentlicht: (2023)