محققان مدل جدیدی به نام «Ego2ExoVLM» معرفی کردهاند که تحولی در درک ویدیوها ایجاد میکند. این مدل به هوش مصنوعی اجازه میدهد تا «دید اولشخص» (Egocentric) را از طریق ویدیوهای «دید سومشخص» (Exocentric) یاد بگیرد.
این یعنی هوش مصنوعی حالا میتواند تعاملات انسان با اشیاء را بدون نیاز به دوربینهای پوشیدنی پیچیده، تنها با تماشای ویدیوهای معمولی بهتر درک کند. این تکنولوژی کاربرد فوقالعادهای در مانیتورینگ فعالیتهای روزانه و کمک به سیستمهای هوشمند خواهد داشت. 🚀
منبع: arXiv Computer Vision