Buchumschlag

Knowing Your Target: Target-Aware Transformer Makes Better Spatio-Temporal Video Grounding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gu, Xin, Shen, Yaojie, Luo, Chenxi, Luo, Tiejian, Huang, Yan, Lin, Yuewei, Fan, Heng, Zhang, Libo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Context-Guided Spatio-Temporal Video Grounding
von: Gu, Xin, et al.
Veröffentlicht: (2024)

Towards Long-Form Spatio-Temporal Video Grounding
von: Gu, Xin, et al.
Veröffentlicht: (2026)

OmniSTVG: Toward Spatio-Temporal Omni-Object Video Grounding
von: Yao, Jiali, et al.
Veröffentlicht: (2025)

Accurate and Fast Compressed Video Captioning
von: Shen, Yaojie, et al.
Veröffentlicht: (2023)

Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment
von: Zhang, Libo, et al.
Veröffentlicht: (2023)

Edit3K: Universal Representation Learning for Video Editing Components
von: Gu, Xin, et al.
Veröffentlicht: (2024)

Structured Context Learning for Generic Event Boundary Detection
von: Gu, Xin, et al.
Veröffentlicht: (2025)

Thinking With Bounding Boxes: Enhancing Spatio-Temporal Video Grounding via Reinforcement Fine-Tuning
von: Gu, Xin, et al.
Veröffentlicht: (2025)

Multi-Reward as Condition for Instruction-based Image Editing
von: Gu, Xin, et al.
Veröffentlicht: (2024)

Know-Show: Benchmarking Video-Language Models on Spatio-Temporal Grounded Reasoning
von: Sugandhika, Chinthani, et al.
Veröffentlicht: (2025)

From Target Tracking to Targeting Track -- Part I: A Metric for Spatio-Temporal Trajectory Evaluation
von: Li, Tiancheng, et al.
Veröffentlicht: (2025)

A Spatio-Temporal-Frequency Transformer Framework for Near-Field Target Recognition
von: Zhao, Zongyao, et al.
Veröffentlicht: (2026)

DMTrack: Spatio-Temporal Multimodal Tracking via Dual-Adapter
von: Li, Weihong, et al.
Veröffentlicht: (2025)

VideoMolmo: Spatio-Temporal Grounding Meets Pointing
von: Ahmad, Ghazi Shazan, et al.
Veröffentlicht: (2025)

NanoKnow: How to Know What Your Language Model Knows
von: Gu, Lingwei, et al.
Veröffentlicht: (2026)

Flow-Guided Diffusion for Video Inpainting
von: Gu, Bohai, et al.
Veröffentlicht: (2023)

Probing Deep into Temporal Profile Makes the Infrared Small Target Detector Much Better
von: Li, Ruojing, et al.
Veröffentlicht: (2025)

MUSEG: Reinforcing Video Temporal Understanding via Timestamp-Aware Multi-Segment Grounding
von: Luo, Fuwen, et al.
Veröffentlicht: (2025)

Video-STR: Reinforcing MLLMs in Video Spatio-Temporal Reasoning with Relation Graph
von: Wang, Wentao, et al.
Veröffentlicht: (2025)

Know Your Needs Better: Towards Structured Understanding of Marketer Demands with Analogical Reasoning Augmented LLMs
von: Wang, Junjie, et al.
Veröffentlicht: (2024)

Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
von: Wasim, Syed Talal, et al.
Veröffentlicht: (2023)

Bridging Time and Space: Decoupled Spatio-Temporal Alignment for Video Grounding
von: Tu, Xuezhen, et al.
Veröffentlicht: (2026)

Agentic Spatio-Temporal Grounding via Collaborative Reasoning
von: Zhao, Heng, et al.
Veröffentlicht: (2026)

Temporal Regularization Makes Your Video Generator Stronger
von: Chen, Harold Haodong, et al.
Veröffentlicht: (2025)

Spatio-Temporal Context Learning with Temporal Difference Convolution for Moving Infrared Small Target Detection
von: Fang, Houzhang, et al.
Veröffentlicht: (2025)

Video-Language Alignment via Spatio-Temporal Graph Transformer
von: Zhang, Shi-Xue, et al.
Veröffentlicht: (2024)

JavisDiT: Joint Audio-Video Diffusion Transformer with Hierarchical Spatio-Temporal Prior Synchronization
von: Liu, Kai, et al.
Veröffentlicht: (2025)

LoReTrack: Efficient and Accurate Low-Resolution Transformer Tracking
von: Dong, Shaohua, et al.
Veröffentlicht: (2024)

Transformer RGBT Tracking with Spatio-Temporal Multimodal Tokens
von: Sun, Dengdi, et al.
Veröffentlicht: (2024)

Your Right to Know: Librarians Make It Happen.
von: Schuman, Patricia
Veröffentlicht: (1991)

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

Multi-View Video Diffusion Policy: A 3D Spatio-Temporal-Aware Video Action Model
von: Li, Peiyan, et al.
Veröffentlicht: (2026)

Understanding the Spatio‐Temporal Relationships and Drivers of Cultivated Land Multifunction Supply–Demand Mismatch Towards Targeted Cultivated Land Management
von: Xin Huang, et al.
Veröffentlicht: (2025)

Open-o3-Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence
von: Meng, Jiahao, et al.
Veröffentlicht: (2025)

PASTS: Progress-Aware Spatio-Temporal Transformer Speaker For Vision-and-Language Navigation
von: Wang, Liuyi, et al.
Veröffentlicht: (2023)

STAA: Spatio-Temporal Attention Attribution for Real-Time Interpreting Transformer-based Video Models
von: Wang, Zerui, et al.
Veröffentlicht: (2024)

Spatio-Temporal Distortion Aware Omnidirectional Video Super-Resolution
von: An, Hongyu, et al.
Veröffentlicht: (2024)

V-CAST: Video Curvature-Aware Spatio-Temporal Pruning for Efficient Video Large Language Models
von: Lin, Xinying, et al.
Veröffentlicht: (2026)

Target-Aware Video Diffusion Models
von: Kim, Taeksoo, et al.
Veröffentlicht: (2025)

Know Your Step: Faster and Better Alignment for Flow Matching Models via Step-aware Advantages
von: Yue, Zhixiong, et al.
Veröffentlicht: (2026)