arXiv Computer Vision· Ruizhi Chen, Zining Fan, Yudi Guo, Jiang Liu, Zhiyu Lin, Zhongjiang He, Shouqian Shi, Hao Sun·· 4 小时前AI 评分34
VTrajEmbed：用时空嵌入对齐文本与视频物体轨迹
VTrajEmbed: Aligning Text with Video Object Trajectories via Spatiotemporal Embeddings
AI 导读
VTrajEmbed 将视频分解为物体轨迹，并把每条轨迹嵌入与文本对齐，实现物体级检索定位。其 Slow-Fast 轨迹编码用双分支分别密集采样低分辨率帧捕捉高频运动、稀疏选取高分辨率帧提供场景上下文，由共享 LLM 主干聚合。
来源：arXiv Computer Vision · arxiv.org