Caption Anything in Video: Fine-grained Object-centric Captioning via Spatiotemporal Multimodal Prompting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tang, Yunlong, Bi, Jing, Huang, Chao, Liang, Susan, Shimada, Daiki, Hua, Hang, Xiao, Yunzhong, Song, Yizhi, Liu, Pinxin, Feng, Mingqian, Guo, Junjia, Liu, Zhuo, Song, Luchuan, Vosoughi, Ali, He, Jinxi, He, Liu, Zhang, Zeliang, Luo, Jiebo, Xu, Chenliang
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!

Online

https://arxiv.org/abs/2504.05541