现实世界的视频通常比较长、未经剪辑,包含多个动作(事件)。传统上,视频理解主要关注短期分析,如单帧或短视频片段中的动作识别、目标检测/分割或场景理解。然而,随着更先进技术的出现和大规模视频数据集的增多,研究人员开始探索长期视频理解。这涉及开发可以识别和理解长时间内发生的复杂活动、事件或交互的方法。包括时序动作检测、密集视频描述、视频定位、未来视频预测和视频摘要等任务。
本仓库收集了专门针对长期视频的研究工作。这是一个活跃的仓库,欢迎您随时贡献!
资源:
代表性论文(2023年之前):
最新论文(2023年之后)
视频段落字幕生成:
资源:
代表性论文(2023年之前):
最新论文(2023年之后):
最新论文(2023年之后) [ 数据集 ] Panda-70M:使用多个跨模态教师为7000万视频生成字幕,CVPR 2024。 [ 数据集 ] MovieLLM:通过AI生成电影增强长视频理解,2024。 一个新颖的框架,旨在为长视频创建高质量的合成数据。该框架利用GPT-4和文本到图像模型的能力生成详细的剧本和相应的视觉内容。
数据集 | 标注 | 来源 | 数量 | 时长 | 任务 | 链接 | 发布日期 |
---|---|---|---|---|---|---|---|
ActivityNet 1.3 | 时间戳 + 动作 | YouTube | 2万 | - | 动作定位 | ||
ActivityNet Captions | 时间戳 + 字幕 | YouTube | 2万 | - | 密集字幕、视频定位 | ||
THUMOS | 时间戳 + 动作 | - | - | - | 动作定位 | ||
YouCook2 | 时间戳 + 字幕 | 烹饪视频 | - | - | 密集字幕 | ||
MovieNet | 时间戳 + 字幕 + 场景/动作/风格标签 | 电影 | 1.1千 | >2小时 | 电影理解 | MovieNet | 2020 |
Charades | 时间戳 + 动作标签 | 日常活动 | 9.8千 | 30秒 | 动作识别、动作定位 | Charades | 2017 |
Charades-STA | 时间戳 + 字幕 | 日常活动 | 9.8千 | 30秒 | 视频定位 | Charades-STA | 2017 |
TACoS | 时间戳 + 字幕 | 烹饪 | - | - | 视频定位 | [TACoS] | |
DiDeMo | |||||||
TACoS Multi-Level | 时间戳 + 字幕 | 烹饪 | - | - | 密集字幕 | TACoS Multi-Level | |
VIOLIN | YouTube和电视节目 | 6.7千 / 15.8千片段 | 视频和语言推理 | VIOLIN | |||
HowTo100M | 边界 + 字幕 | 122万/1.36亿片段 | 582小时 | 预训练 | - | ||
YT-temporal180M | 边界 + 字幕 | - | - | - | 预训练 | - | |
EPIC-KITCHENS | - | - | - | - | - | epic-kitchens | - |
HD_VILA_100M | |||||||
FineGym | - | - | - | - | - | FineGym | - |
MAD | - | - | - | - | - | MAD | - |
MPII-MD | - | - | - | - | - | MPII-MD | - |
M-VAD | - | - | - | - | - | M-VAD | - |
HACS | - | - | - | - | - | HACS | - |
PKU-MMD | - | - | - | - | - | PKU-MMD | - |
MultiTHUMOS | - | - | - | - | - | MultiTHUMOS | - |
VideoLT | - | - | - | - | - | VideoLT | 2021 |
Ego4D | - | - | - | - | - | Ego4D | 2021 |
ActivityNet Entities | - | - | - | - | - | Anet-Entity | 2020 |
MovieQA | - | - | - | - | - | MoiveQA(已过期) | 2018 |
MultiSports | |||||||
FineAction | - | - | - | - | - | FineAction | 2022 |
MUSES | - | - | - | - | - | MUSES | 2021 |
XD-Violence | - | - | - | - | - | XD-Violence | 2020 |
TVR | - | - | - | - | - | TVR | 2020 |
HIREST | - | - | - | - | - | HIREST | 2023 |
QVHighlights | - | - | - | - | - | QVHighlights | 2020 |
ANetQA | - | - | - | - | - | ANetQA | 2023 |
最新论文(2023年之后)
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反 馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务, 无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号