Buchumschlag

Graph-Based Multimodal and Multi-view Alignment for Keystep Recognition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Romero, Julia Lee, Min, Kyle, Tripathi, Subarna, Karimzadeh, Morteza
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Keystep Recognition using Graph Neural Networks
von: Romero, Julia Lee, et al.
Veröffentlicht: (2025)

Improving Keystep Recognition in Ego-Video via Dexterous Focus
von: Chavis, Zachary, et al.
Veröffentlicht: (2025)

SViTT-Ego: A Sparse Video-Text Transformer for Egocentric Video
von: Valdez, Hector A., et al.
Veröffentlicht: (2024)

Contrastive Language Video Time Pre-training
von: Liu, Hengyue, et al.
Veröffentlicht: (2024)

Ego-VPA: Egocentric Video Understanding with Parameter-efficient Adaptation
von: Wu, Tz-Ying, et al.
Veröffentlicht: (2024)

VideoSAGE: Video Summarization with Graph Representation Learning
von: Chaves, Jose M. Rojas, et al.
Veröffentlicht: (2024)

EASG-Bench: Video Q&A Benchmark with Egocentric Action Scene Graphs
von: Rodin, Ivan, et al.
Veröffentlicht: (2025)

TrajPred: Trajectory-Conditioned Joint Embedding Prediction for Surgical Instrument-Tissue Interaction Recognition in Vision-Language Models
von: Cheng, Jiajun, et al.
Veröffentlicht: (2026)

PALADIN : Robust Neural Fingerprinting for Text-to-Image Diffusion Models
von: L, Murthy, et al.
Veröffentlicht: (2025)

Toward Scalable Video Narration: A Training-free Approach Using Multimodal Large Language Models
von: Wu, Tz-Ying, et al.
Veröffentlicht: (2025)

Harnessing Object Grounding for Time-Sensitive Video Understanding
von: Wu, Tz-Ying, et al.
Veröffentlicht: (2025)

SGANet: Semantic and Geometric Alignment for Multimodal Multi-view Anomaly Detection
von: Bai, Letian, et al.
Veröffentlicht: (2026)

VC-Inspector: Advancing Reference-free Evaluation of Video Captions with Factual Analysis
von: Dipta, Shubhashis Roy, et al.
Veröffentlicht: (2025)

Search2Motion: Training-Free Object-Level Motion Control via Attention-Consensus Search
von: Liu, Sainan, et al.
Veröffentlicht: (2026)

A Genealogy of Foundation Models in Remote Sensing
von: Lane, Kevin, et al.
Veröffentlicht: (2025)

Trunk-branch Contrastive Network with Multi-view Deformable Aggregation for Multi-view Action Recognition
von: Yang, Yingyuan, et al.
Veröffentlicht: (2025)

Leveraging Foundation Models for Multimodal Graph-Based Action Recognition
von: Ziaeetabar, Fatemeh, et al.
Veröffentlicht: (2025)

ByDeWay: Boost Your multimodal LLM with DEpth prompting in a Training-Free Way
von: Roy, Rajarshi, et al.
Veröffentlicht: (2025)

A Proxy Consistency Loss for Grounded Fusion of Earth Observation and Location Encoders
von: Wang, Zhongying, et al.
Veröffentlicht: (2026)

Action Selection Learning for Multi-label Multi-view Action Recognition
von: Nguyen, Trung Thanh, et al.
Veröffentlicht: (2024)

Adaptive Learning for Multi-view Stereo Reconstruction
von: Min, Qinglu, et al.
Veröffentlicht: (2024)

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

View-aware Cross-modal Distillation for Multi-view Action Recognition
von: Nguyen, Trung Thanh, et al.
Veröffentlicht: (2025)

Skarimva: Skeleton-based Action Recognition is a Multi-view Application
von: Bermuth, Daniel, et al.
Veröffentlicht: (2026)

Multi-view Action Recognition via Directed Gromov-Wasserstein Discrepancy
von: Nguyen, Hoang-Quan, et al.
Veröffentlicht: (2024)

Multimodal Prompt Alignment for Facial Expression Recognition
von: Ma, Fuyan, et al.
Veröffentlicht: (2025)

Multi-view Video-Pose Pretraining for Operating Room Surgical Activity Recognition
von: Hamoud, Idris, et al.
Veröffentlicht: (2025)

MultiTSF: Transformer-based Sensor Fusion for Human-Centric Multi-view and Multi-modal Action Recognition
von: Nguyen, Trung Thanh, et al.
Veröffentlicht: (2025)

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

Investigating the Effect of Spatial Context on Multi-Task Sea Ice Segmentation
von: Vahedi, Behzad, et al.
Veröffentlicht: (2025)

MonoInstance: Enhancing Monocular Priors via Multi-view Instance Alignment for Neural Rendering and Reconstruction
von: Zhang, Wenyuan, et al.
Veröffentlicht: (2025)

AlignPose: Generalizable 6D Pose Estimation via Multi-view Feature-metric Alignment
von: Mikeštíková, Anna Šárová, et al.
Veröffentlicht: (2025)

Multimodal Graph Representation Learning for Robust Surgical Workflow Recognition with Adversarial Feature Disentanglement
von: Bai, Long, et al.
Veröffentlicht: (2025)

Ice-FMBench: A Foundation Model Benchmark for Sea Ice Type Segmentation
von: Taleghan, Samira Alkaee, et al.
Veröffentlicht: (2025)

Multi Teacher Privileged Knowledge Distillation for Multimodal Expression Recognition
von: Aslam, Muhammad Haseeb, et al.
Veröffentlicht: (2024)

SSPA: Split-and-Synthesize Prompting with Gated Alignments for Multi-Label Image Recognition
von: Tan, Hao, et al.
Veröffentlicht: (2024)

MultiSensor-Home: A Wide-area Multi-modal Multi-view Dataset for Action Recognition and Transformer-based Sensor Fusion
von: Nguyen, Trung Thanh, et al.
Veröffentlicht: (2025)

MASA: Motion-aware Masked Autoencoder with Semantic Alignment for Sign Language Recognition
von: Zhao, Weichao, et al.
Veröffentlicht: (2024)

Patch as Node: Human-Centric Graph Representation Learning for Multimodal Action Recognition
von: Liang, Zeyu, et al.
Veröffentlicht: (2025)

Multimodal Spatio-temporal Graph Learning for Alignment-free RGBT Video Object Detection
von: Wang, Qishun, et al.
Veröffentlicht: (2025)