arXiv论文提出QDETRv与MATR实现视频时空关系定位

发生了什么

据arXiv cs.CV报道，一篇论文提出多项视频理解模型。针对对象级定位，提出QDETRv，结合查询上下文融合与记忆模块；针对关系级定位，引入少样本指代关系定位方法；针对时刻级定位，提出Moment Alignment Transformer (MATR)，用于视频到视频及文本到视频的时刻检索，性能媲美或优于现有技术。这些贡献推进了查询引导的视频理解。