Frame Sampling Strategies Matter: A Benchmark for small vision language models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Brkic, Marija, Razzouki, Anas Filali, Tevissen, Yannis, Guetari, Khalil, Yacoubi, Mounim A. El |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
PEEK: Picking Essential frames via Efficient Knowledge distillation
par: Steunou, Killian, et autres
Publié: (2026)
par: Steunou, Killian, et autres
Publié: (2026)
Multimodal Chaptering for Long-Form TV Newscast Video
par: Guetari, Khalil, et autres
Publié: (2024)
par: Guetari, Khalil, et autres
Publié: (2024)
Inserting Faces inside Captions: Image Captioning with Attention Guided Merging
par: Tevissen, Yannis, et autres
Publié: (2024)
par: Tevissen, Yannis, et autres
Publié: (2024)
Disability Representations: Finding Biases in Automatic Image Generation
par: Tevissen, Yannis
Publié: (2024)
par: Tevissen, Yannis
Publié: (2024)
Towards Retrieval Augmented Generation over Large Video Libraries
par: Tevissen, Yannis, et autres
Publié: (2024)
par: Tevissen, Yannis, et autres
Publié: (2024)
Understanding Cross Task Generalization in Handwriting-Based Alzheimer's Screening via Vision Language Adaptation
par: Gong, Changqing, et autres
Publié: (2025)
par: Gong, Changqing, et autres
Publié: (2025)
Hybrid Transformer for Early Alzheimer's Detection: Integration of Handwriting-Based 2D Images and 1D Signal Features
par: Gong, Changqing, et autres
Publié: (2024)
par: Gong, Changqing, et autres
Publié: (2024)
Owls are wise and foxes are unfaithful: Uncovering animal stereotypes in vision-language models
par: Aman, Tabinda, et autres
Publié: (2025)
par: Aman, Tabinda, et autres
Publié: (2025)
Polar Coordinate-Based 2D Pose Prior with Neural Distance Field
par: Gan, Qi, et autres
Publié: (2025)
par: Gan, Qi, et autres
Publié: (2025)
Adversarial Masking Contrastive Learning for vein recognition
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
Adversarial AutoMixup
par: Qin, Huafeng, et autres
Publié: (2023)
par: Qin, Huafeng, et autres
Publié: (2023)
Neural Architecture Search based Global-local Vision Mamba for Palm-Vein Recognition
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
SUMix: Mixup with Semantic and Uncertain Information
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
Interpreting the linear structure of vision-language model embedding spaces
par: Papadimitriou, Isabel, et autres
Publié: (2025)
par: Papadimitriou, Isabel, et autres
Publié: (2025)
PubMed-Ophtha: An open resource for training ophthalmology vision-language models on scientific literature
par: Hallitschke, Verena Jasmin, et autres
Publié: (2026)
par: Hallitschke, Verena Jasmin, et autres
Publié: (2026)
MsMemoryGAN: A Multi-scale Memory GAN for Palm-vein Adversarial Purification
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
StarLKNet: Star Mixup with Large Kernel Networks for Palm Vein Identification
par: Jin, Xin, et autres
Publié: (2024)
par: Jin, Xin, et autres
Publié: (2024)
The in-context inductive biases of vision-language models differ across modalities
par: Allen, Kelsey, et autres
Publié: (2025)
par: Allen, Kelsey, et autres
Publié: (2025)
EmMixformer: Mix transformer for eye movement recognition
par: Qin, Huafeng, et autres
Publié: (2024)
par: Qin, Huafeng, et autres
Publié: (2024)
Relax DARTS: Relaxing the Constraints of Differentiable Architecture Search for Eye Movement Recognition
par: Zhu, Hongyu, et autres
Publié: (2024)
par: Zhu, Hongyu, et autres
Publié: (2024)
End-to-End Video Question Answering with Frame Scoring Mechanisms and Adaptive Sampling
par: Liang, Jianxin, et autres
Publié: (2024)
par: Liang, Jianxin, et autres
Publié: (2024)
When language and vision meet road safety: leveraging multimodal large language models for video-based traffic accident analysis
par: Zhang, Ruixuan, et autres
Publié: (2025)
par: Zhang, Ruixuan, et autres
Publié: (2025)
MedFrameQA: A Multi-Image Medical VQA Benchmark for Clinical Reasoning
par: Yu, Suhao, et autres
Publié: (2025)
par: Yu, Suhao, et autres
Publié: (2025)
Cross-modal linkage risk in clinical vision-language models
par: Arasteh, Soroosh Tayebi, et autres
Publié: (2026)
par: Arasteh, Soroosh Tayebi, et autres
Publié: (2026)
OmDet: Large-scale vision-language multi-dataset pre-training with multimodal detection network
par: Zhao, Tiancheng, et autres
Publié: (2022)
par: Zhao, Tiancheng, et autres
Publié: (2022)
Towards Deployable OCR models for Indic languages
par: Mathew, Minesh, et autres
Publié: (2022)
par: Mathew, Minesh, et autres
Publié: (2022)
Frame-Voyager: Learning to Query Frames for Video Large Language Models
par: Yu, Sicheng, et autres
Publié: (2024)
par: Yu, Sicheng, et autres
Publié: (2024)
Advancing vision-language models in front-end development via data synthesis
par: Ge, Tong, et autres
Publié: (2025)
par: Ge, Tong, et autres
Publié: (2025)
PathAlign: A vision-language model for whole slide images in histopathology
par: Ahmed, Faruk, et autres
Publié: (2024)
par: Ahmed, Faruk, et autres
Publié: (2024)
TempCore: Are Video QA Benchmarks Temporally Grounded? A Frame Selection Sensitivity Analysis and Benchmark
par: Ok, Hyunjong, et autres
Publié: (2025)
par: Ok, Hyunjong, et autres
Publié: (2025)
Empowering Prior to Court Legal Analysis: A Transparent and Accessible Dataset for Defensive Statement Classification and Interpretation
par: Spyridis, Yannis, et autres
Publié: (2024)
par: Spyridis, Yannis, et autres
Publié: (2024)
Sumotosima: A Framework and Dataset for Classifying and Summarizing Otoscopic Images
par: Khan, Eram Anwarul, et autres
Publié: (2024)
par: Khan, Eram Anwarul, et autres
Publié: (2024)
Assessing the alignment between infants' visual and linguistic experience using multimodal language models
par: Tan, Alvin Wei Ming, et autres
Publié: (2025)
par: Tan, Alvin Wei Ming, et autres
Publié: (2025)
ProfVLM: A lightweight video-language model for multi-view proficiency estimation
par: Bianchi, Edoardo, et autres
Publié: (2025)
par: Bianchi, Edoardo, et autres
Publié: (2025)
Automating construction safety inspections using a multi-modal vision-language RAG framework
par: Wang, Chenxin, et autres
Publié: (2025)
par: Wang, Chenxin, et autres
Publié: (2025)
Bridging vision language model (VLM) evaluation gaps with a framework for scalable and cost-effective benchmark generation
par: Rädsch, Tim, et autres
Publié: (2025)
par: Rädsch, Tim, et autres
Publié: (2025)
Image captioning in different languages
par: van Miltenburg, Emiel
Publié: (2024)
par: van Miltenburg, Emiel
Publié: (2024)
Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness
par: Chandu, Khyathi Raghavi, et autres
Publié: (2024)
par: Chandu, Khyathi Raghavi, et autres
Publié: (2024)
Semantic Frame Aggregation-based Transformer for Live Video Comment Generation
par: Fatima, Anam, et autres
Publié: (2025)
par: Fatima, Anam, et autres
Publié: (2025)
Documents similaires
-
PEEK: Picking Essential frames via Efficient Knowledge distillation
par: Steunou, Killian, et autres
Publié: (2026) -
Multimodal Chaptering for Long-Form TV Newscast Video
par: Guetari, Khalil, et autres
Publié: (2024) -
Inserting Faces inside Captions: Image Captioning with Attention Guided Merging
par: Tevissen, Yannis, et autres
Publié: (2024) -
Disability Representations: Finding Biases in Automatic Image Generation
par: Tevissen, Yannis
Publié: (2024) -
Towards Retrieval Augmented Generation over Large Video Libraries
par: Tevissen, Yannis, et autres
Publié: (2024)