مدلهای هوش مصنوعی معمولاً وقتی با ویدیوهای طولانی مواجه میشوند، گیج شده و جزئیات مهم را از دست میدهند. حالا محققان چارچوب جدیدی به نام «QSVideo» معرفی کردهاند که این مشکل را حل میکند.
این سیستم با ترکیب سه قابلیت کلیدی:
✅ اولویتبندی سوالات (QSRanker)
✅ افزایش تنوع در انتخاب فریمها
✅ همترازی زمانی دقیقتر برای ویدیوهای طولانی و استریمینگ
به مدلهای بینایی-زبانی کمک میکند تا حتی با محدودیت تعداد فریم، درک فوقالعاده دقیقتری از محتوای ویدیویی داشته باشند. اگر در حوزه پردازش تصویر و ویدیو فعال هستید، کد این پروژه در گیتهاب در دسترس است. 🚀
منبع: arXiv Computer Vision