arXiv发布查询引导视频定位博士论文

2026年10月16日，arXiv Computer Vision 发布 Yogesh Kumar 的博士论文《从物体到关系再到时刻：查询引导的视频理解定位研究》。该论文研究三类查询引导的视频定位任务：物体级定位提出 QDETRv 与 TOViT，分别实现视频中未见物体的一次性定位和少样本视频物体检测；关系级定位引入视频少样本指代关系，用元学习关系网络优化 T-partite 随机场定位实体；时刻级定位提出 MATR，用双阶段动态时间规整与可学习查询做视频到视频时刻检索，并可扩展至文本到视频检索。论文将三类任务概括为回答关键物体在哪里、它们如何交互、特定时刻何时发生。目前进展为论文已在 arXiv 发布，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。