Buchumschlag

Leveraging multimodal explanatory annotations for video interpretation with Modality Specific Dataset

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ancarani, Elisa, Tores, Julie, Sassatelli, Lucile, Sun, Rémy, Wu, Hui-Yin, Precioso, Frédéric
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Multimedia
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SynCB: A Synergy Concept-Based Model with Dynamic Routing Between Concepts and Complementary Neural Branches
von: Julie, Tores, et al.
Veröffentlicht: (2026)

MObyGaze: a film dataset of multimodal objectification densely annotated by experts
von: Tores, Julie, et al.
Veröffentlicht: (2025)

DiVR: incorporating context from diverse VR scenes for human trajectory prediction
von: Gallo, Franz Franco, et al.
Veröffentlicht: (2024)

Visual Objectification in Films: Towards a New AI Task for Video Interpretation
von: Tores, Julie, et al.
Veröffentlicht: (2024)

ASAP: Advancing Semantic Alignment Promotes Multi-Modal Manipulation Detecting and Grounding
von: Zhang, Zhenxing, et al.
Veröffentlicht: (2024)

GTPBD-MM: A Global Terraced Parcel and Boundary Dataset with Multi-Modality
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2026)

Leveraging Automatic Personalised Nutrition: Food Image Recognition Benchmark and Dataset based on Nutrition Taxonomy
von: Romero-Tapiador, Sergio, et al.
Veröffentlicht: (2022)

Anisotropic Modality Align
von: Yu, Xiaomin, et al.
Veröffentlicht: (2026)

Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark
von: Miao, Bingchen, et al.
Veröffentlicht: (2024)

EAR: Enhancing Uni-Modal Representations for Weakly Supervised Audio-Visual Video Parsing
von: Li, Huilai, et al.
Veröffentlicht: (2026)

Gradient-Guided Modality Decoupling for Missing-Modality Robustness
von: Wang, Hao, et al.
Veröffentlicht: (2024)

Towards Emotion Analysis in Short-form Videos: A Large-Scale Dataset and Baseline
von: Wu, Xuecheng, et al.
Veröffentlicht: (2023)

Similarity over Factuality: Are we making progress on multimodal out-of-context misinformation detection?
von: Papadopoulos, Stefanos-Iordanis, et al.
Veröffentlicht: (2024)

Robust Self-Paced Hashing for Cross-Modal Retrieval with Noisy Labels
von: Pu, Ruitao, et al.
Veröffentlicht: (2025)

Interactive Spatial-Frequency Fusion Mamba for Multi-Modal Image Fusion
von: Zhu, Yixin, et al.
Veröffentlicht: (2026)

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

MM-MovieDubber: Towards Multi-Modal Learning for Multi-Modal Movie Dubbing
von: Zheng, Junjie, et al.
Veröffentlicht: (2025)

Towards Holistic Language-video Representation: the language model-enhanced MSR-Video to Text Dataset
von: Yang, Yuchen, et al.
Veröffentlicht: (2024)

Consistent and Invariant Generalization Learning for Short-video Misinformation Detection
von: Guo, Hanghui, et al.
Veröffentlicht: (2025)

AdaptaGen: Domain-Specific Image Generation through Hierarchical Semantic Optimization Framework
von: Zhang, Suoxiang, et al.
Veröffentlicht: (2025)

VC-Bench: Pioneering the Video Connecting Benchmark with a Dataset and Evaluation Metrics
von: Yin, Zhiyu, et al.
Veröffentlicht: (2026)

Towards Identity-Aware Cross-Modal Retrieval: a Dataset and a Baseline
von: Messina, Nicola, et al.
Veröffentlicht: (2024)

SSTFB: Leveraging self-supervised pretext learning and temporal self-attention with feature branching for real-time video polyp segmentation
von: Xu, Ziang, et al.
Veröffentlicht: (2024)

Joint Explicit and Implicit Cross-Modal Interaction Network for Anterior Chamber Inflammation Diagnosis
von: Shao, Qian, et al.
Veröffentlicht: (2023)

Does SpatioTemporal information benefit Two video summarization benchmarks?
von: Ganesh, Aashutosh, et al.
Veröffentlicht: (2024)

Reviewing Intelligent Cinematography: AI research for camera-based video production
von: Azzarelli, Adrian, et al.
Veröffentlicht: (2024)

Subjective evaluation of UHD video coded using VVC with LCEVC and ML-VVC
von: Ramzan, Naeem, et al.
Veröffentlicht: (2026)

HuMo: Human-Centric Video Generation via Collaborative Multi-Modal Conditioning
von: Chen, Liyang, et al.
Veröffentlicht: (2025)

CMTA: Leveraging Cross-Modal Temporal Artifacts for Generalizable AI-Generated Video Detection
von: Wang, Hang, et al.
Veröffentlicht: (2026)

Quantifying and Enhancing Multi-modal Robustness with Modality Preference
von: Yang, Zequn, et al.
Veröffentlicht: (2024)

MSCT: Differential Cross-Modal Attention for Deepfake Detection
von: Wei, Fangda, et al.
Veröffentlicht: (2026)

Find the Cliffhanger: Multi-Modal Trailerness in Soap Operas
von: Bretti, Carlo, et al.
Veröffentlicht: (2024)

3D2M Dataset: A 3-Dimension diverse Mesh Dataset
von: Dasgupta, Sankarshan
Veröffentlicht: (2024)

Towards Robust and Realible Multimodal Misinformation Recognition with Incomplete Modality
von: Zhou, Hengyang, et al.
Veröffentlicht: (2025)

Modality-Aware Shot Relating and Comparing for Video Scene Detection
von: Tan, Jiawei, et al.
Veröffentlicht: (2024)

CoNav: Collaborative Cross-Modal Reasoning for Embodied Navigation
von: Hao, Haihong, et al.
Veröffentlicht: (2025)

Neighbor-aware Instance Refining with Noisy Labels for Cross-Modal Retrieval
von: Liu, Yizhi, et al.
Veröffentlicht: (2025)

EALD-MLLM: Emotion Analysis in Long-sequential and De-identity videos with Multi-modal Large Language Model
von: Li, Deng, et al.
Veröffentlicht: (2024)

Multi-Modal Image Fusion via Intervention-Stable Feature Learning
von: Wang, Xue, et al.
Veröffentlicht: (2026)

Towards Universal Modal Tracking with Online Dense Temporal Token Learning
von: Zheng, Yaozong, et al.
Veröffentlicht: (2025)