Awesome_Long_Form_Video_Understanding

Awesome_Long_Form_Video_Understanding

长视频理解研究前沿进展与资源综述

这是一个综合性长视频理解研究资源库,涵盖表征学习、高效建模、大语言模型等多个子领域。项目汇总了前沿研究论文、数据集和工具,对各子任务进行了系统梳理。为长视频理解研究者提供了全面的参考资源,有助于推动该领域的发展。

长视频理解视频分析深度学习计算机视觉人工智能Github开源项目

长期视频理解优秀资源

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!

表示学习

  • HierVL:学习分层视频-语言嵌入,CVPR 2023.
  • 针对教学视频理解的程序感知预训练,CVPR 2023.
  • 学习用于未剪辑视频多功能理解的接地视觉-语言表示,arXiv 2023.
  • 长期视频的时序对齐网络,CVPR 2022.
  • 具有多模态时序对比学习的长形式视频-语言预训练,NIPS 2022.
  • 从未剪辑视频中学习:具有层次一致性的自监督视频表示学习,CVPR 2022.
  • 时序动作定位任务的无监督预训练,CVPR 2022.
  • 电影理解的分层自监督表示学习,CVPR 2022.
  • 自我中心视频-语言预训练,NIPS 2022.
  • LocVTP:用于时序定位的视频-文本预训练,ECCV 2022.
  • 视频中时序定位的边界敏感预训练,ICCV 2021.
  • TSP:用于定位任务的时序敏感视频编码器预训练,ICCVW 2021.
  • COOT:用于视频-文本表示学习的协作分层Transformer,NIPS 2020.

长期视频中的高效建模

  • MeMViT:用于高效长期视频识别的内存增强多尺度视觉Transformer,CVPR 2022.
  • 用于详细视频理解的长期特征库,CVPR 2019.
  • 基于多智能体强化学习的未剪辑视频有效识别帧采样,ICCV 2019.
  • TimeChat:用于长视频理解的时间敏感多模态大语言模型,CVPR 2024.
  • OmniVid:通用视频理解的生成框架,CVPR 2024.

长期视频大语言模型

  • 长视频理解的语言仓库,2024.
  • VTimeLLM:赋予LLM把握视频时刻的能力,CVPR 2024.
  • Momentor:通过细粒度时间推理提升视频大语言模型,Arxiv 2024.
  • MA-LMM:用于长期视频理解的内存增强大型多模态模型,CVPR 2024.
  • VideoMosaic:为LLM连接长视频中的时间点,CVPR 2024.
  • MovieChat:从密集标记到稀疏记忆的长视频理解,CVPR 2024.
  • TimeChat:用于长视频理解的时间敏感多模态大语言模型,CVPR 2024.
  • MVBench:全面的多模态视频理解基准(VideoChat2),CVPR 2024.
  • LLM遇上长视频:通过LLM中的交互式视觉适配器推进长视频理解,2024.
  • LSTP:用于长形式视频-文本理解的语言引导空间-时间提示学习,2024.
  • [Agent] MM-Narrator:通过多模态上下文学习讲述长形式视频,CVPR 2024.
  • [Agent] VideoAgent:作为代理的大语言模型用于长形式视频理解,2024.
  • [Agent] VideoAgent:用于视频理解的记忆增强多模态代理,2024.
  • [Agent] ViLA:高效视频-语言对齐用于视频问答,2024.
  • [Agent] 用于视频定位和问答的自链式图像-语言模型,2024.
  • [Agent] VideoTree:用于LLM推理长视频的自适应树形视频表示,2024.
  • 编码和控制长形式视频问答的全局语义,2024.

动作定位

时序动作定位

资源:

代表性论文(2023年之前):

  • ActionFormer:用Transformer定位动作时刻,ECCV 2022.
  • G-tad:时序动作检测的子图定位,CVPR 2020.
  • 用于直接动作提案生成的松弛Transformer解码器,ICCV 2021.
  • 通过密集边界生成器快速学习时序动作提案,AAAI 2020.
  • BMN:用于时序动作提案生成的边界匹配网络,ICCV 2019.
  • 时序动作定位的图卷积网络,ICCV 2019.
  • 重新思考时序动作定位的faster r-cnn架构,CVPR 2018.
  • BSN:用于时序动作提案生成的边界敏感网络,ECCV 2018.
  • SST:单流时序动作提案,CVPR 2017.
  • 用结构化分段网络进行时序动作检测,ICCV 2017.
  • R-c3d:用于时序活动检测的区域卷积3D网络,ICCV 2017.
  • CDC:用于未剪辑视频中精确时序动作定位的卷积-反卷积网络,CVPR 2017.
  • TURN TAP:用于时序动作提案的时间单元回归网络,ICCV 2017.
  • 单发时序动作检测,ACM MM 2017.
  • 通过多阶段CNN在未剪辑视频中进行时序动作定位,CVPR 2016.
  • 用Actoms进行动作的时序定位,TPAMI 2014.

最新论文(2023年之后)

  • ETAD:在笔记本电脑上端到端训练动作检测,CVPR 2023.
  • TriDet:具有相对边界建模的时序动作检测,CVPR 2023.
  • 蒸馏视觉-语言预训练以配合弱监督时序动作定位,CVPR 2023.
  • Re2TAL:为可逆时序动作定位重新连接预训练视频骨干网络,CVPR 2023.
  • 用文本信息增强弱监督时序动作定位,CVPR 2023.
  • 基于提案的多实例学习用于弱监督时序动作定位,CVPR 2023.
  • Deepsegmenter:用于检测未剪辑自然驾驶视频中异常的时序动作定位,CVPR 2023.

视听事件定位

  • 在未剪辑视频中密集定位视听事件:大规模基准和基线,CVPR 2023. [代码]
  • 迈向长形式视听视频理解,Arxiv 2023.
  • 非约束视频中的视听事件定位,ECCV 2018.

密集视频描述

  • Video ReCap:小时级视频的递归字幕生成,CVPR 2024。
  • 学习未剪辑视频中多功能理解的基于地面真实的视觉语言表示,arXiv 2023。
  • Vid2Seq:大规模预训练视觉语言模型用于密集视频字幕生成,CVPR 2023。[代码]
  • 通过预训练将事件检测和字幕生成统一为序列生成,ECCV 2022。
  • 作为序列生成的端到端密集视频字幕生成,Coling 2022。
  • 具有并行解码的端到端密集视频字幕生成,ICCV 2021。[代码]
  • 草图、基础和精炼:自上而下的密集视频字幕生成,CVPR 2021。
  • 简化的密集视频字幕生成,CVPR 2019。
  • 具有上下文门控的双向注意力融合用于密集视频字幕生成,CVPR 2018。
  • 使用掩码Transformer的端到端密集视频字幕生成,CVPR 2018。
  • 视频中事件的弱监督密集字幕生成,NIPS 2018。
  • 视频中事件的密集字幕生成,ICCV 2017。

视频段落字幕生成

  • 多句视频描述的对抗推理,CVPR 2019
  • COOT:用于视频-文本表示学习的协作层次Transformer,NIPS 2020。
  • 密集视频字幕生成的多模态预训练,AACL 2020。
  • MART:用于连贯视频段落字幕生成的记忆增强循环Transformer,ACL 2020。
  • 面向未剪辑视频的多样化段落字幕生成,CVPR 2021。
  • 将视频段落字幕生成作为文本摘要任务,ACL 2021。

时序视频定位

资源

  • [综述] 视频中的时序句子定位:综述和未来方向,TPAMI 2022。
  • [综述] 视频中时序句子定位的调查,ACM TOMM 2023。
  • [综述] 视频时刻定位调查,ACM Computing Surveys,2023。
  • Github仓库:优秀视频定位

代表性论文(2023年之前)

  • 负样本很重要:时序定位中度量学习的复兴,AAAI 2022。
  • 视频中的密集事件定位,AAAI 2021。
  • 时序定位的局部-全局视频-文本交互,CVPR 2020。
  • 用于视频定位的密集回归网络,CVPR 2020。
  • 学习用于时刻定位的2D时序邻接网络与自然语言,AAAI 2020。
  • 找到你说话的地方:基于注意力的位置回归用于视频中的时序句子定位,AAAI 2020。
  • MAN:通过迭代图调整实现自然语言时刻检索的时刻对齐网络,CVPR 2019。
  • 用于视频中时序句子定位的语义条件动态调制,NIPS 2019。
  • 在视频中时序定位自然句子,EMNLP 2018。
  • TALL:通过语言查询的时序活动定位,ICCV 2017。

最新论文(2023年之后)

  • 学习未剪辑视频中多功能理解的基于地面真实的视觉语言表示,Arxiv 2023。
  • ProTeG´e:通过视频时序定位进行视频时序定位的未剪辑预训练,CVPR 2023。
  • 用于高效2D时序视频定位的文本-视觉提示,CVPR 2023。
  • DeCo:通过粗到细对比排序进行组合时序定位的分解和重构,CVPR 2023。
  • 用于视频段落定位的层次语义对应网络,CVPR 2023。
  • 用于弱监督视频定位的迭代提案细化,CVPR 2023。
  • 用于时空视频定位的协作静态和动态视觉-语言流,CVPR 2023。
  • 你可以在看到之前就定位:压缩视频中时序句子定位的有效高效管道,CVPR 2023。
  • 用于高效2D时序视频定位的文本-视觉提示,CVPR 2023。
  • 具有不确定性引导自训练的弱监督时序句子定位,CVPR 2023。
  • 面向泛化的视频时刻检索:将视觉-动态注入图像-文本预训练中,CVPR 2023。
  • 层次视频-时刻检索和步骤字幕生成,CVPR 2023。

长期视频预测

  • [综述] 视频预测深度学习技术综述,TPAMI,2020。[论文]
  • 重新审视用于持续长期视频预测的层次方法,ICLR 2021。
  • 无监督的层次长期视频预测,ICML 2018。[论文]
  • 通过层次预测学习生成长期未来,ICML 2017。

其他任务

  • [动作质量评估] LOGO:用于群体动作质量评估的长形式视频数据集,CVPR 2023。
  • [时空定位] 长形式视频中的关系时空查询,CVPR 2023。
  • [跟踪] XMem:基于Atkinson-Shiffrin记忆模型的长期视频目标分割,ECCV 2022。
  • [视频问答] 基于多模态层次记忆注意力网络的长期视频问答,TCSVT 2021。
  • [视频摘要] 基于长短期记忆的视频摘要,ECCV 2016。

数据集和工具

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。

长期(未剪辑)视频数据集

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YouTube2万-动作定位
ActivityNet Captions时间戳 + 字幕YouTube2万-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MovieNet2020
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Charades2017
Charades-STA时间戳 + 字幕日常活动9.8千30秒视频定位Charades-STA2017
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
VIOLINYouTube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-----VideoLT2021
Ego4D-----Ego4D2021
ActivityNet Entities-----Anet-Entity2020
MovieQA-----MoiveQA(已过期)2018
MultiSports
FineAction-----FineAction2022
MUSES-----MUSES2021
XD-Violence-----XD-Violence2020
TVR-----TVR2020
HIREST-----HIREST2023
QVHighlights-----QVHighlights2020
ANetQA-----ANetQA2023

视频特征提取器

基准测试

最新论文(2023年之后)

  • (202406)VideoHallucer: 评估大型视频语言模型中的内在和外在幻觉, arXivarXiv
  • Video-MME: 首个全面评估多模态大语言模型在视频分析中表现的基准测试,2024
  • CinePile: 一个长视频问答数据集和基准测试,2024
  • TempCompass: 视频大语言模型真的理解视频吗?2024
  • MVBench: 一个全面的多模态视频理解基准测试,CVPR 2024
  • 我的视频大语言模型有多好?针对视频大语言模型的复杂视频推理和鲁棒性评估套件,2024
  • MLVU: 一个全面的多任务长视频理解基准测试 Arxiv

待办事项

  • 添加更多数据集细节
  • 添加一个图表来说明未剪辑视频和剪辑视频之间的差异,以及不同定位任务之间的差异

编辑推荐精选

AEE

AEE

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。

UI-TARS-desktop

UI-TARS-desktop

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。

Wan2.1

Wan2.1

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。

爱图表

爱图表

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。

Qwen2.5-VL

Qwen2.5-VL

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

HunyuanVideo

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。

WebUI for Browser Use

WebUI for Browser Use

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。

xiaozhi-esp32

xiaozhi-esp32

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。

olmocr

olmocr

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

飞书多维表格

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。

下拉加载更多