视频中基于定位的人物属性描述与活动识别（GHADAR）框架发布

研究者提出 GHADAR 任务，要求根据视频中每个人的位置，描述其属性与活动，并基于 AVA-Actions 构建了带开放集描述的新数据集。其方法通过在训练中约束 VLM 的交叉注意力掩码利用定位信息，性能超过 SOTA VLM。团队还指出依赖人工标注与文本精确匹配的现有评测指标存在局限，并提出基于 VLM 的整体评测方案。