Buchumschlag

EventFormer: A Node-graph Hierarchical Attention Transformer for Action-centric Video Event Prediction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Su, Qile, Zhu, Shoutai, Zhang, Shuai, Liang, Baoyu, Tong, Chao
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Multimedia I.2.10
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Video-CoE: Reinforcing Video Event Prediction via Chain of Events
von: Su, Qile, et al.
Veröffentlicht: (2026)

Cross-Modal Transfer from Memes to Videos: Addressing Data Scarcity in Hateful Video Detection
von: Wang, Han, et al.
Veröffentlicht: (2025)

Light Future: Multimodal Action Frame Prediction via InstructPix2Pix
von: Zhong, Zesen, et al.
Veröffentlicht: (2025)

AIM 2024 Challenge on Video Saliency Prediction: Methods and Results
von: Moskalenko, Andrey, et al.
Veröffentlicht: (2024)

NTIRE 2026 Challenge on Video Saliency Prediction: Methods and Results
von: Moskalenko, Andrey, et al.
Veröffentlicht: (2026)

SIA-OVD: Shape-Invariant Adapter for Bridging the Image-Region Gap in Open-Vocabulary Detection
von: Wang, Zishuo, et al.
Veröffentlicht: (2024)

Implicit Location-Caption Alignment via Complementary Masking for Weakly-Supervised Dense Video Captioning
von: Ge, Shiping, et al.
Veröffentlicht: (2024)

ForensicFormer: Hierarchical Multi-Scale Reasoning for Cross-Domain Image Forgery Detection
von: Samson, Hema Hariharan
Veröffentlicht: (2026)

Meaning over Motion: A Semantic-First Approach to 360° Viewport Prediction
von: Khah, Arman Nik, et al.
Veröffentlicht: (2026)

Leum-VL Technical Report
von: He, Yuxuan, et al.
Veröffentlicht: (2026)

A Hybrid Deterministic Framework for Named Entity Extraction in Broadcast News Video
von: Lucas, Andrea Filiberto, et al.
Veröffentlicht: (2026)

Gear-NeRF: Free-Viewpoint Rendering and Tracking with Motion-aware Spatio-Temporal Sampling
von: Liu, Xinhang, et al.
Veröffentlicht: (2024)

Geo2Sound: A Scalable Geo-Aligned Framework for Soundscape Generation from Satellite Imagery
von: Wu, Kunlin, et al.
Veröffentlicht: (2026)

ActAlign: Zero-Shot Fine-Grained Video Classification via Language-Guided Sequence Alignment
von: Aghdam, Amir, et al.
Veröffentlicht: (2025)

AVControl: Efficient Framework for Training Audio-Visual Controls
von: Ben-Yosef, Matan, et al.
Veröffentlicht: (2026)

Semantic2Graph: Graph-based Multi-modal Feature Fusion for Action Segmentation in Videos
von: Zhang, Junbin, et al.
Veröffentlicht: (2022)

Scene Detection Policies and Keyframe Extraction Strategies for Large-Scale Video Analysis
von: Korolkov, Vasilii
Veröffentlicht: (2025)

Automatic Detection of Intro and Credits in Video using CLIP and Multihead Attention
von: Korolkov, Vasilii, et al.
Veröffentlicht: (2025)

MemeCraft: Contextual and Stance-Driven Multimodal Meme Generation
von: Wang, Han, et al.
Veröffentlicht: (2024)

VidEvent: A Large Dataset for Understanding Dynamic Evolution of Events in Videos
von: Liang, Baoyu, et al.
Veröffentlicht: (2025)

A Real-Time, Vision-Based System for Badminton Smash Speed Estimation on Mobile Devices
von: Huang, Diwen
Veröffentlicht: (2025)

3DGesPolicy: Phoneme-Aware Holistic Co-Speech Gesture Generation Based on Action Control
von: Sha, Xuanmeng, et al.
Veröffentlicht: (2026)

MetaErr: Towards Predicting Error Patterns in Deep Neural Networks
von: Totakura, Varun, et al.
Veröffentlicht: (2026)

ActNetFormer: Transformer-ResNet Hybrid Method for Semi-Supervised Action Recognition in Videos
von: Dass, Sharana Dharshikgan Suresh, et al.
Veröffentlicht: (2024)

Video Event Reasoning and Prediction by Fusing World Knowledge from LLMs with Vision Foundation Models
von: Dubois, L'ea, et al.
Veröffentlicht: (2025)

CLIP-Joint-Detect: End-to-End Joint Training of Object Detectors with Contrastive Vision-Language Supervision
von: Raoufi, Behnam, et al.
Veröffentlicht: (2025)

A Roadmap for Multilingual, Multimodal Domain Independent Deception Detection
von: Boumber, Dainis, et al.
Veröffentlicht: (2024)

Context-Aware Network Based on Multi-scale Spatio-temporal Attention for Action Recognition in Videos
von: Li, Xiaoyang, et al.
Veröffentlicht: (2025)

Benchmarking and Bridging Emotion Conflicts for Multimodal Emotion Reasoning
von: Han, Zhiyuan, et al.
Veröffentlicht: (2025)

Perception-Consistency Multimodal Large Language Models Reasoning via Caption-Regularized Policy Optimization
von: Tu, Songjun, et al.
Veröffentlicht: (2025)

AdSum: Two-stream Audio-visual Summarization for Automated Video Advertisement Clipping
von: Xie, Wen, et al.
Veröffentlicht: (2025)

Motion Attribution for Video Generation
von: Wu, Xindi, et al.
Veröffentlicht: (2026)

FocusedAD: Character-centric Movie Audio Description
von: Ye, Xiaojun, et al.
Veröffentlicht: (2025)

Labels or Input? Rethinking Augmentation in Multimodal Hate Detection
von: Singh, Sahajpreet, et al.
Veröffentlicht: (2025)

Graph-PiT: Enhancing Structural Coherence in Part-Based Image Synthesis via Graph Priors
von: Zhang, Junbin, et al.
Veröffentlicht: (2026)

Bridging Knowledge Gap Between Image Inpainting and Large-Area Visible Watermark Removal
von: Leng, Yicheng, et al.
Veröffentlicht: (2025)

EventFlow: Real-Time Neuromorphic Event-Driven Classification of Two-Phase Boiling Flow Regimes
von: Chang, Sanghyeon, et al.
Veröffentlicht: (2025)

Efficient and Privacy-Protecting Background Removal for 2D Video Streaming using iPhone 15 Pro Max LiDAR
von: Kinnevan, Jessica, et al.
Veröffentlicht: (2025)

An Empirical Study for Representations of Videos in Video Question Answering via MLLMs
von: Li, Zhi, et al.
Veröffentlicht: (2025)

Genflow Ad Studio: A Compound AI Architecture for Brand-Aligned, Self-Correcting Video Generation
von: Das, Debanshu, et al.
Veröffentlicht: (2026)