Buchumschlag

ViterbiPlanNet: Injecting Procedural Knowledge via Differentiable Viterbi for Planning in Instructional Videos

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Seminara, Luigi, Moltisanti, Davide, Furnari, Antonino
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

RECIPE: Procedural Planning via Grounding in Instructional Video
von: Seminara, Luigi, et al.
Veröffentlicht: (2026)

Differentiable Task Graph Learning: Procedural Activity Representation and Online Mistake Detection from Egocentric Videos
von: Seminara, Luigi, et al.
Veröffentlicht: (2024)

Task Graph Maximum Likelihood Estimation for Procedural Activity Understanding in Egocentric Videos
von: Seminara, Luigi, et al.
Veröffentlicht: (2025)

Open-Event Procedure Planning in Instructional Videos
von: Wu, Yilu, et al.
Veröffentlicht: (2024)

Why Not Use Your Textbook? Knowledge-Enhanced Procedure Planning of Instructional Videos
von: Nagasinghe, Kumaranage Ravindu Yasas, et al.
Veröffentlicht: (2024)

ProSkill: Segment-Level Skill Assessment in Procedural Videos
von: Mazzamuto, Michele, et al.
Veröffentlicht: (2026)

PDPP: Projected Diffusion for Procedure Planning in Instructional Videos
von: Wang, Hanlin, et al.
Veröffentlicht: (2023)

LAP: A Language-Aware Planning Model For Procedure Planning In Instructional Videos
von: Shi, Lei, et al.
Veröffentlicht: (2026)

Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos
von: Zhou, Yufan, et al.
Veröffentlicht: (2025)

Calisthenics Skills Temporal Video Segmentation
von: Finocchiaro, Antonio, et al.
Veröffentlicht: (2025)

Efficient Pre-training for Localized Instruction Generation of Videos
von: Batra, Anil, et al.
Veröffentlicht: (2023)

ActionDiffusion: An Action-aware Diffusion Model for Procedure Planning in Instructional Videos
von: Shi, Lei, et al.
Veröffentlicht: (2024)

Mamba-OTR: a Mamba-based Solution for Online Take and Release Detection from Untrimmed Egocentric Video
von: Catinello, Alessandro Sebastiano, et al.
Veröffentlicht: (2025)

Exploring Multimodal LMMs for Online Episodic Memory Question Answering on the Edge
von: Lando, Giuseppe, et al.
Veröffentlicht: (2026)

EGOSTREAM: A Diagnostic Benchmark for Streaming Episodic Memory in Egocentric Vision
von: Forte, Rosario, et al.
Veröffentlicht: (2026)

Gazing Into Missteps: Leveraging Eye-Gaze for Unsupervised Mistake Detection in Egocentric Videos of Skilled Human Activities
von: Mazzamuto, Michele, et al.
Veröffentlicht: (2024)

Continual Learning Improves Zero-Shot Action Recognition
von: Gowda, Shreyank N, et al.
Veröffentlicht: (2024)

RAP: Retrieval-Augmented Planner for Adaptive Procedure Planning in Instructional Videos
von: Zare, Ali, et al.
Veröffentlicht: (2024)

Efficient Calisthenics Skills Classification through Foreground Instance Selection and Depth Estimation
von: Finocchiaro, Antonio, et al.
Veröffentlicht: (2025)

StillFast: An End-to-End Approach for Short-Term Object Interaction Anticipation
von: Ragusa, Francesco, et al.
Veröffentlicht: (2023)

Coarse or Fine? Recognising Action End States without Labels
von: Moltisanti, Davide, et al.
Veröffentlicht: (2024)

SCHEMA: State CHangEs MAtter for Procedure Planning in Instructional Videos
von: Niu, Yulei, et al.
Veröffentlicht: (2024)

Semantically Guided Action Anticipation
von: Diko, Anxhelo, et al.
Veröffentlicht: (2024)

Leveraging Procedural Knowledge and Task Hierarchies for Efficient Instructional Video Pre-training
von: Samel, Karan, et al.
Veröffentlicht: (2025)

VG-TVP: Multimodal Procedural Planning via Visually Grounded Text-Video Prompting
von: Ilaslan, Muhammet Furkan, et al.
Veröffentlicht: (2024)

Synchronization is All You Need: Exocentric-to-Egocentric Transfer for Temporal Action Segmentation with Unlabeled Synchronized Video Pairs
von: Quattrocchi, Camillo, et al.
Veröffentlicht: (2023)

Leveraging Synthetic Data for Enhancing Egocentric Hand-Object Interaction Detection
von: Leonardi, Rosario, et al.
Veröffentlicht: (2026)

How Far Can Off-the-Shelf Multimodal Large Language Models Go in Online Episodic Memory Question Answering?
von: Lando, Giuseppe, et al.
Veröffentlicht: (2025)

Exploiting Multimodal Synthetic Data for Egocentric Human-Object Interaction Detection in an Industrial Scenario
von: Leonardi, Rosario, et al.
Veröffentlicht: (2023)

Are Synthetic Data Useful for Egocentric Hand-Object Interaction Detection?
von: Leonardi, Rosario, et al.
Veröffentlicht: (2023)

FLASH Viterbi: Fast and Adaptive Viterbi Decoding for Modern Data Systems
von: Deng, Ziheng, et al.
Veröffentlicht: (2025)

How You Move Tells What You'll Do: Trajectory-Conditioned Egocentric Prediction
von: Jun, Sejoon, et al.
Veröffentlicht: (2026)

Predicting Implicit Arguments in Procedural Video Instructions
von: Batra, Anil, et al.
Veröffentlicht: (2025)

PlanLLM: Video Procedure Planning with Refinable Large Language Models
von: Yang, Dejie, et al.
Veröffentlicht: (2024)

Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2024)

EASG-Bench: Video Q&A Benchmark with Egocentric Action Scene Graphs
von: Rodin, Ivan, et al.
Veröffentlicht: (2025)

Understanding Multimodal Procedural Knowledge by Sequencing Multimodal Instructional Manuals
von: Wu, Te-Lin, et al.
Veröffentlicht: (2021)

Plan-X: Instruct Video Generation via Semantic Planning
von: Huang, Lun, et al.
Veröffentlicht: (2025)

RePlan: Reasoning-guided Region Planning for Complex Instruction-based Image Editing
von: Qu, Tianyuan, et al.
Veröffentlicht: (2025)

Quantum Viterbi Algorithm
von: Accardi, Luigi, et al.
Veröffentlicht: (2026)