Buchumschlag

Leveraging Modality Tags for Enhanced Cross-Modal Video Retrieval

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fragomeni, Adriano, Damen, Dima, Wray, Michael
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

Leveraging Auxiliary Information in Text-to-Video Retrieval: A Review
von: Fragomeni, Adriano, et al.
Veröffentlicht: (2025)

Video Editing for Video Retrieval
von: Zhu, Bin, et al.
Veröffentlicht: (2024)

Moment of Untruth: Dealing with Negative Queries in Video Moment Retrieval
von: Flanagan, Kevin, et al.
Veröffentlicht: (2025)

Beyond Caption-Based Queries for Video Moment Retrieval
von: Pujol-Perich, David, et al.
Veröffentlicht: (2026)

HOI-Ref: Hand-Object Interaction Referral in Egocentric Vision
von: Bansal, Siddhant, et al.
Veröffentlicht: (2024)

GenHowTo: Learning to Generate Actions and State Transformations from Instructional Videos
von: Souček, Tomáš, et al.
Veröffentlicht: (2023)

Get a Grip: Reconstructing Hand-Object Stable Grasps in Egocentric Videos
von: Zhu, Zhifan, et al.
Veröffentlicht: (2023)

ShowHowTo: Generating Scene-Conditioned Step-by-Step Visual Instructions
von: Souček, Tomáš, et al.
Veröffentlicht: (2024)

Reconstructing Objects along Hand Interaction Timelines in Egocentric Video
von: Zhu, Zhifan, et al.
Veröffentlicht: (2025)

It's Just Another Day: Unique Video Captioning by Discriminative Prompting
von: Perrett, Toby, et al.
Veröffentlicht: (2024)

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

Every Shot Counts: Using Exemplars for Repetition Counting in Videos
von: Sinha, Saptarshi, et al.
Veröffentlicht: (2024)

EgoPoints: Advancing Point Tracking for Egocentric Videos
von: Darkhalil, Ahmad, et al.
Veröffentlicht: (2024)

COM3D: Leveraging Cross-View Correspondence and Cross-Modal Mining for 3D Retrieval
von: Wu, Hao, et al.
Veröffentlicht: (2024)

StructAlign: Structured Cross-Modal Alignment for Continual Text-to-Video Retrieval
von: Wang, Shaokun, et al.
Veröffentlicht: (2026)

Do You Remember? Dense Video Captioning with Cross-Modal Memory Retrieval
von: Kim, Minkuk, et al.
Veröffentlicht: (2024)

PointSt3R: Point Tracking through 3D Grounded Correspondence
von: Guerrier, Rhodri, et al.
Veröffentlicht: (2025)

CAR-MFL: Cross-Modal Augmentation by Retrieval for Multimodal Federated Learning with Missing Modalities
von: Poudel, Pranav, et al.
Veröffentlicht: (2024)

Prototype-Enhanced Confidence Modeling for Cross-Modal Medical Image-Report Retrieval
von: Gowda, Shreyank N, et al.
Veröffentlicht: (2025)

SpatiaLoc: Leveraging Multi-Level Spatial Enhanced Descriptors for Cross-Modal Localization
von: Shang, Tianyi, et al.
Veröffentlicht: (2026)

Spatial Cognition from Egocentric Video: Out of Sight, Not Out of Mind
von: Plizzari, Chiara, et al.
Veröffentlicht: (2024)

Cross-Modal and Uni-Modal Soft-Label Alignment for Image-Text Retrieval
von: Huang, Hailang, et al.
Veröffentlicht: (2024)

The Invisible EgoHand: 3D Hand Forecasting through EgoBody Pose Estimation
von: Hatano, Masashi, et al.
Veröffentlicht: (2025)

AMEGO: Active Memory from long EGOcentric videos
von: Goletto, Gabriele, et al.
Veröffentlicht: (2024)

Leveraging Multi-Modal Information to Enhance Dataset Distillation
von: Li, Zhe, et al.
Veröffentlicht: (2025)

TCMA: Text-Conditioned Multi-granularity Alignment for Drone Cross-Modal Text-Video Retrieval
von: Zhao, Zixu, et al.
Veröffentlicht: (2025)

MLLM as Video Narrator: Mitigating Modality Imbalance in Video Moment Retrieval
von: Cai, Weitong, et al.
Veröffentlicht: (2024)

Distill CLIP (DCLIP): Enhancing Image-Text Retrieval via Cross-Modal Transformer Distillation
von: Csizmadia, Daniel, et al.
Veröffentlicht: (2025)

Segmenting Collision Sound Sources in Egocentric Videos
von: Parida, Kranti Kumar, et al.
Veröffentlicht: (2025)

NeighborRetr: Balancing Hub Centrality in Cross-Modal Retrieval
von: Lin, Zengrong, et al.
Veröffentlicht: (2025)

Distilling Vision-Language Pretraining for Efficient Cross-Modal Retrieval
von: Jang, Young Kyun, et al.
Veröffentlicht: (2024)

Beyond Cross-Modal Alignment: Measuring and Leveraging Modality Gap in Vision-Language Models
von: Yan, Hanqi, et al.
Veröffentlicht: (2025)

Combating Visual Neglect and Semantic Drift in Large Multimodal Models for Enhanced Cross-Modal Retrieval
von: Zhang, Guosheng, et al.
Veröffentlicht: (2026)

Video, How Do Your Tokens Merge?
von: Pollard, Sam, et al.
Veröffentlicht: (2025)

A Video Is Not Worth a Thousand Words
von: Pollard, Sam, et al.
Veröffentlicht: (2025)

Perception Test 2024: Challenge Summary and a Novel Hour-Long VideoQA Benchmark
von: Heyward, Joseph, et al.
Veröffentlicht: (2024)

Learning Modality Knowledge Alignment for Cross-Modality Transfer
von: Ma, Wenxuan, et al.
Veröffentlicht: (2024)

Referring Video Object Segmentation with Cross-Modality Proxy Queries
von: Sun, Baoli, et al.
Veröffentlicht: (2025)

Federated Cross-Modal Retrieval with Missing Modalities via Semantic Routing and Adapter Personalization
von: Zhou, Hefeng, et al.
Veröffentlicht: (2026)

MSAM: Multi-Semantic Adaptive Mining for Cross-Modal Drone Video-Text Retrieval
von: Huang, Jinghao, et al.
Veröffentlicht: (2025)