提出GHADAR任务并发布数据集与方法

2026年10月16日，arXiv Computer Vision 刊出研究，Jay N. Paranjape 等作者提出新任务 GHADAR（Grounded Human-Attributed Description and Activity Recognition），要求根据视频中每个人的位置，描述其属性与活动，作者称这一设定更贴近真实应用。团队基于 AVA-Actions 构建了带开放集描述的新数据集，并发布配套方法：在训练中约束 VLM 的交叉注意力掩码以利用定位信息，性能超过 SOTA VLM。研究同时指出，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。目前进展为任务、数据集、方法与评估方案一并公开，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。