ActAlign: Zero-Shot Fine-Grained Video Classification via Language-Guided Sequence Alignment
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Aghdam, Amir, Hu, Vincent Tao, Ommer, Björn |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Leum-VL Technical Report
par: He, Yuxuan, et autres
Publié: (2026)
par: He, Yuxuan, et autres
Publié: (2026)
MemeCraft: Contextual and Stance-Driven Multimodal Meme Generation
par: Wang, Han, et autres
Publié: (2024)
par: Wang, Han, et autres
Publié: (2024)
Universal Adversarial Attack on Aligned Multimodal LLMs
par: Rahmatullaev, Temurbek, et autres
Publié: (2025)
par: Rahmatullaev, Temurbek, et autres
Publié: (2025)
A Roadmap for Multilingual, Multimodal Domain Independent Deception Detection
par: Boumber, Dainis, et autres
Publié: (2024)
par: Boumber, Dainis, et autres
Publié: (2024)
ICG: Improving Cover Image Generation via MLLM-based Prompting and Personalized Preference Alignment
par: Bian, Zhipeng, et autres
Publié: (2026)
par: Bian, Zhipeng, et autres
Publié: (2026)
Cinéaste: A Fine-grained Contextual Movie Question Answering Benchmark
par: Shah, Nisarg A., et autres
Publié: (2025)
par: Shah, Nisarg A., et autres
Publié: (2025)
PhysicsArena: The First Multimodal Physics Reasoning Benchmark Exploring Variable, Process, and Solution Dimensions
par: Dai, Song, et autres
Publié: (2025)
par: Dai, Song, et autres
Publié: (2025)
Perception-Consistency Multimodal Large Language Models Reasoning via Caption-Regularized Policy Optimization
par: Tu, Songjun, et autres
Publié: (2025)
par: Tu, Songjun, et autres
Publié: (2025)
Game-RL: Synthesizing Multimodal Verifiable Game Data to Boost VLMs' General Reasoning
par: Tong, Jingqi, et autres
Publié: (2025)
par: Tong, Jingqi, et autres
Publié: (2025)
Evaluating Voice Command Pipelines for Drone Control: From STT and LLM to Direct Classification and Siamese Networks
par: Simões, Lucca Emmanuel Pineli, et autres
Publié: (2024)
par: Simões, Lucca Emmanuel Pineli, et autres
Publié: (2024)
OpenMap: Instruction Grounding via Open-Vocabulary Visual-Language Mapping
par: Li, Danyang, et autres
Publié: (2025)
par: Li, Danyang, et autres
Publié: (2025)
Taking Flight with Dialogue: Enabling Natural Language Control for PX4-based Drone Agent
par: Lim, Shoon Kit, et autres
Publié: (2025)
par: Lim, Shoon Kit, et autres
Publié: (2025)
StratXplore: Strategic Novelty-seeking and Instruction-aligned Exploration for Vision and Language Navigation
par: Gopinathan, Muraleekrishna, et autres
Publié: (2024)
par: Gopinathan, Muraleekrishna, et autres
Publié: (2024)
Memory-Efficient Differentially Private Training with Gradient Random Projection
par: Mulrooney, Alex, et autres
Publié: (2025)
par: Mulrooney, Alex, et autres
Publié: (2025)
PhysNote: Self-Knowledge Notes for Evolvable Physical Reasoning in Vision-Language Model
par: Zhang, Sinin, et autres
Publié: (2026)
par: Zhang, Sinin, et autres
Publié: (2026)
VidNum-1.4K: A Comprehensive Benchmark for Video-based Numerical Reasoning
par: Cui, Shaoyang, et autres
Publié: (2026)
par: Cui, Shaoyang, et autres
Publié: (2026)
Labels or Input? Rethinking Augmentation in Multimodal Hate Detection
par: Singh, Sahajpreet, et autres
Publié: (2025)
par: Singh, Sahajpreet, et autres
Publié: (2025)
Learning the meanings of function words from grounded language using a visual question answering model
par: Portelance, Eva, et autres
Publié: (2023)
par: Portelance, Eva, et autres
Publié: (2023)
Physics-R1: An Audited Olympiad Corpus and Recipe for Visual Physics Reasoning
par: Yang, Shan
Publié: (2026)
par: Yang, Shan
Publié: (2026)
Spatially-Aware Speaker for Vision-and-Language Navigation Instruction Generation
par: Gopinathan, Muraleekrishna, et autres
Publié: (2024)
par: Gopinathan, Muraleekrishna, et autres
Publié: (2024)
Aligning by Misaligning: Boundary-aware Curriculum Learning for Multimodal Alignment
par: Ye, Hua, et autres
Publié: (2025)
par: Ye, Hua, et autres
Publié: (2025)
K-MetBench: A Multi-Dimensional Benchmark for Fine-Grained Evaluation of Expert Reasoning, Locality, and Multimodality in Meteorology
par: Kim, Soyeon, et autres
Publié: (2026)
par: Kim, Soyeon, et autres
Publié: (2026)
Hateful Meme Detection through Context-Sensitive Prompting and Fine-Grained Labeling
par: Ouyang, Rongxin, et autres
Publié: (2024)
par: Ouyang, Rongxin, et autres
Publié: (2024)
RCI: A Score for Evaluating Global and Local Reasoning in Multimodal Benchmarks
par: Agarwal, Amit, et autres
Publié: (2025)
par: Agarwal, Amit, et autres
Publié: (2025)
GeoVision Labeler: Zero-Shot Geospatial Classification with Vision and Language Models
par: Hacheme, Gilles Quentin, et autres
Publié: (2025)
par: Hacheme, Gilles Quentin, et autres
Publié: (2025)
Correspondence of high-dimensional emotion structures elicited by video clips between humans and Multimodal LLMs
par: Asanuma, Haruka, et autres
Publié: (2025)
par: Asanuma, Haruka, et autres
Publié: (2025)
ScreenSpot-Pro: GUI Grounding for Professional High-Resolution Computer Use
par: Li, Kaixin, et autres
Publié: (2025)
par: Li, Kaixin, et autres
Publié: (2025)
TensLoRA: Tensor Alternatives for Low-Rank Adaptation
par: Marmoret, Axel, et autres
Publié: (2025)
par: Marmoret, Axel, et autres
Publié: (2025)
Bounding Hallucinations: Information-Theoretic Guarantees for RAG Systems via Merlin-Arthur Protocols
par: Deiseroth, Björn, et autres
Publié: (2025)
par: Deiseroth, Björn, et autres
Publié: (2025)
Survey Transfer Learning: Recycling Data with Silicon Responses
par: Amini, Ali
Publié: (2025)
par: Amini, Ali
Publié: (2025)
ReSpace: Text-Driven Autoregressive 3D Indoor Scene Synthesis and Editing
par: Bucher, Martin JJ., et autres
Publié: (2025)
par: Bucher, Martin JJ., et autres
Publié: (2025)
A Closer Look at Bias and Chain-of-Thought Faithfulness of Large (Vision) Language Models
par: Balasubramanian, Sriram, et autres
Publié: (2025)
par: Balasubramanian, Sriram, et autres
Publié: (2025)
MIRA: Empowering One-Touch AI Services on Smartphones with MLLM-based Instruction Recommendation
par: Bian, Zhipeng, et autres
Publié: (2025)
par: Bian, Zhipeng, et autres
Publié: (2025)
From Benchmarking to Reasoning: A Dual-Aspect, Large-Scale Evaluation of LLMs on Vietnamese Legal Text
par: Le, Van-Truong
Publié: (2026)
par: Le, Van-Truong
Publié: (2026)
Defending against Backdoor Attacks via Module Switching
par: Li, Weijun, et autres
Publié: (2025)
par: Li, Weijun, et autres
Publié: (2025)
Enhanced Kalman with Adaptive Appearance Motion SORT for Grounded Generic Multiple Object Tracking
par: Anh, Duy Le Dinh, et autres
Publié: (2024)
par: Anh, Duy Le Dinh, et autres
Publié: (2024)
What Makes a Good Story and How Can We Measure It? A Comprehensive Survey of Story Evaluation
par: Yang, Dingyi, et autres
Publié: (2024)
par: Yang, Dingyi, et autres
Publié: (2024)
TriAlignGR: Triangular Multitask Alignment with Multimodal Deep Interest Mining for Generative Recommendation
par: Zeng, Yangchen, et autres
Publié: (2026)
par: Zeng, Yangchen, et autres
Publié: (2026)
Enhancing Sports Strategy with Video Analytics and Data Mining: Assessing the effectiveness of Multimodal LLMs in tennis video analysis
par: Teo, Charlton
Publié: (2025)
par: Teo, Charlton
Publié: (2025)
Reframing linguistic bootstrapping as joint inference using visually-grounded grammar induction models
par: Portelance, Eva, et autres
Publié: (2024)
par: Portelance, Eva, et autres
Publié: (2024)
Documents similaires
-
Leum-VL Technical Report
par: He, Yuxuan, et autres
Publié: (2026) -
MemeCraft: Contextual and Stance-Driven Multimodal Meme Generation
par: Wang, Han, et autres
Publié: (2024) -
Universal Adversarial Attack on Aligned Multimodal LLMs
par: Rahmatullaev, Temurbek, et autres
Publié: (2025) -
A Roadmap for Multilingual, Multimodal Domain Independent Deception Detection
par: Boumber, Dainis, et autres
Publié: (2024) -
ICG: Improving Cover Image Generation via MLLM-based Prompting and Personalized Preference Alignment
par: Bian, Zhipeng, et autres
Publié: (2026)