Buchumschlag

Goldfish: Vision-Language Understanding of Arbitrarily Long Videos

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ataallah, Kirolos, Shen, Xiaoqian, Abdelrahman, Eslam, Sleiman, Essam, Zhuge, Mingchen, Ding, Jian, Zhu, Deyao, Schmidhuber, Jürgen, Elhoseiny, Mohamed
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

MiniGPT4-Video: Advancing Multimodal LLMs for Video Understanding with Interleaved Visual-Textual Tokens
von: Ataallah, Kirolos, et al.
Veröffentlicht: (2024)

InfiniBench: A Benchmark for Large Multi-Modal Models in Long-Form Movies and TV Shows
von: Ataallah, Kirolos, et al.
Veröffentlicht: (2024)

iMotion-LLM: Instruction-Conditioned Trajectory Generation
von: Felemban, Abdulwahab, et al.
Veröffentlicht: (2024)

Vgent: Graph-based Retrieval-Reasoning-Augmented Generation For Long Video Understanding
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2025)

StoryGPT-V: Large Language Models as Consistent Story Visualizers
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2023)

Beyond Outlining: Heterogeneous Recursive Planning for Adaptive Long-form Writing with Language Models
von: Xiong, Ruibin, et al.
Veröffentlicht: (2025)

Small Vision-Language Models are Smart Compressors for Long Video Understanding
von: Fei, Junjie, et al.
Veröffentlicht: (2026)

VRSBench: A Versatile Vision-Language Benchmark Dataset for Remote Sensing Image Understanding
von: Li, Xiang, et al.
Veröffentlicht: (2024)

CoT3DRef: Chain-of-Thoughts Data-Efficient 3D Visual Grounding
von: Abdelrahman, Eslam, et al.
Veröffentlicht: (2023)

Language Agents as Optimizable Graphs
von: Zhuge, Mingchen, et al.
Veröffentlicht: (2024)

How Well Can Vision Language Models See Image Details?
von: Gou, Chenhui, et al.
Veröffentlicht: (2024)

Kestrel: 3D Multimodal LLM for Part-Aware Grounded Description
von: Ahmed, Mahmoud, et al.
Veröffentlicht: (2024)

Zoom-Zero: Reinforced Coarse-to-Fine Video Understanding via Temporal Zoom-in
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2025)

LongVU: Spatiotemporal Adaptive Compression for Long Video-Language Understanding
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2024)

ToddlerDiffusion: Interactive Structured Image Generation with Cascaded Schrödinger Bridge
von: Abdelrahman, Eslam, et al.
Veröffentlicht: (2023)

VRU-Accident: A Vision-Language Benchmark for Video Question Answering and Dense Captioning for Accident Scene Understanding
von: Kim, Younggun, et al.
Veröffentlicht: (2025)

Time Blindness: Why Video-Language Models Can't See What Humans Can?
von: Upadhyay, Ujjwal, et al.
Veröffentlicht: (2025)

MiniGPT-Med: Large Language Model as a General Interface for Radiology Diagnosis
von: Alkhaldi, Asma, et al.
Veröffentlicht: (2024)

Huxley-Gödel Machine: Human-Level Coding Agent Development by an Approximation of the Optimal Self-Improving Machine
von: Wang, Wenyi, et al.
Veröffentlicht: (2025)

ScholarChemQA: Unveiling the Power of Language Models in Chemical Research Question Answering
von: Chen, Xiuying, et al.
Veröffentlicht: (2024)

Liquid biopsy in genitourinary oncology: Current clinical applications and future prospects across prostate, bladder, and renal cancers
von: Kirolos Eskandar
Veröffentlicht: (2025)

Bioimpressão no Transplante de Órgãos: Dos modelos Experimentais às Perspectivas Clínicas
von: Kirolos Eskandar
Veröffentlicht: (2025)

Progressive trends in prenatal genetic screening
von: Kirolos Eskandar
Veröffentlicht: (2022)

FishNet++: Analyzing the capabilities of Multimodal Large Language Models in marine biology
von: Khan, Faizan Farooq, et al.
Veröffentlicht: (2025)

3DCoMPaT200: Language-Grounded Compositional Understanding of Parts and Materials of 3D Shapes
von: Ahmed, Mahmoud, et al.
Veröffentlicht: (2025)

Goldfish: Monolingual Language Models for 350 Languages
von: Chang, Tyler A., et al.
Veröffentlicht: (2024)

INSTA-YOLO: Real-Time Instance Segmentation
von: Mohamed, Eslam, et al.
Veröffentlicht: (2021)

Video-to-Text Pedestrian Monitoring (VTPM): Leveraging Computer Vision and Large Language Models for Privacy-Preserve Pedestrian Activity Monitoring at Intersections
von: Abdelrahman, Ahmed S., et al.
Veröffentlicht: (2024)

Fast Camouflaged Object Detection via Edge-based Reversible Re-calibration Network
von: Ji, Ge-Peng, et al.
Veröffentlicht: (2021)

Goldfish: An Efficient Federated Unlearning Framework
von: Wang, Houzhe, et al.
Veröffentlicht: (2024)

Document Haystacks: Vision-Language Reasoning Over Piles of 1000+ Documents
von: Chen, Jun, et al.
Veröffentlicht: (2024)

Experimental and Computational Fluid Dynamics Analysis of Industrial Water Desalination with High Salinity by Adsorption Chlorine on Resin in a Packed Column
von: Hamideh Mahmoodabadi, et al.
Veröffentlicht: (2024)

EgMM-Corpus: A Multimodal Vision-Language Dataset for Egyptian Culture
von: Gamil, Mohamed, et al.
Veröffentlicht: (2025)

Efficient Self-supervised Vision Pretraining with Local Masked Reconstruction
von: Chen, Jun, et al.
Veröffentlicht: (2022)

MSA at ImageCLEF 2025 Multimodal Reasoning: Multilingual Multimodal Reasoning With Ensemble Vision Language Models
von: Ahmed, Seif, et al.
Veröffentlicht: (2025)

Affective Visual Dialog: A Large-Scale Benchmark for Emotional Reasoning Based on Visually Grounded Conversations
von: Haydarov, Kilichbek, et al.
Veröffentlicht: (2023)

TapToTab : Video-Based Guitar Tabs Generation using AI and Audio Analysis
von: Ghaleb, Ali, et al.
Veröffentlicht: (2024)

dTRPO: Trajectory Reduction in Policy Optimization of Diffusion Large Language Models
von: Zhang, Wenxuan, et al.
Veröffentlicht: (2026)

Long‐Term Effects of Sugarcane Cultivation on the Physicochemical Quality Indices of Saline and Sodic Soils: A Case Study of South Khuzestan
von: Najm Hashemy, et al.
Veröffentlicht: (2024)

RPRA: Predicting an LLM-Judge for Efficient but Performant Inference
von: Ashley, Dylan R., et al.
Veröffentlicht: (2026)