محققان در دستاورد جدیدی مدل قدرتمند TCAM را معرفی کردهاند که دنیای بینایی ماشین را یک گام به جلو برده است. این مدل برخلاف روشهای قبلی، بدون نیاز به دستور متنی یا کادرهای مشخص، میتواند:
✅ اجسام در حال حرکت را شناسایی کند.
✅ حرکات را با دقتِ «پیکسل» دنبال کند.
✅ برای هر حرکت، کپشن (توضیح) دقیق بنویسد و زمان شروع و پایان آن را مشخص کند.
این یعنی مدل دیگر فقط کلیات را نمیبیند، بلکه مثل یک چشم تیزبین، تمام جزئیات جابجایی در یک ویدیو را تحلیل میکند. تکنولوژی TCAM با ترکیب ردیابی دقیق و مدلهای زبانی، تحولی بزرگ در تحلیل ویدیوهای پیچیده ایجاد کرده است.
منبع: arXiv Computer Vision