دانشمندان به تازگی چارچوب جدیدی با نام «Cross-Temporal Clustering» معرفی کردند که تحولی در درک ویدیو توسط هوش مصنوعی ایجاد میکند. این مدل با استفاده از ترکیب «توجه» (Attention) و خوشهبندی زمانی، قادر است اشیاء را در ویدیوها با دقت بالا و بدون نیاز به دادههای آموزشیِ دستی، شناسایی و ردیابی کند.
این روش به جای تمرکز بر تکتک پیکسلها، روی بخشهای کلیدی تمرکز کرده و با استفاده از ترنسفورمرها، در محیطهای پیچیده و پرتحرک، عملکردی عالی دارد. گامی بزرگ برای هوش مصنوعی در تحلیل دقیقتر ویدیوها! 🚀
منبع: arXiv Computer Vision