- …
- …
#706
summarized by : Yue Qiu
どんな論文か？
Video Groundingタスクにビデオ内にQueryと一致するビデオクリップのStart-end Frameのようなスパースなアノテーション情報しかない．この論文でQueryが示すGround truthビデオクリップ内のFrameとStart frame間の距離を回帰し、従来よりDenseなSupervisionsを利用可能にした．MatchingスコアとBBOX IoUを計算．
新規性
①Video GroundingのSparse annotationsをDenseにする手法を提案．②One-stage手法で、従来のTwo-stage手法より処理スピードが速い．③Video クリップとQueryのマッチングスコアに加え，Temporal BBOXのIoUの計算も行い、PredictionsのEvaluationの質を向上した．
結果
①3つの従来データセット(Charades-STA, ActivityNet-Captions, TACoS)でSOTAを達成．②ActivityNet-CaptionsデータセットでSOTA accuracyを36.90%から42.49%まで更新．
その他（なぜ通ったか？等）
提案のDense Regressionモデルがシンプルかつ有効．コアなアイデアはGround truth領域内のFrameとStart frame間の距離を回帰，このアイデアはほかの手法でも適応しやすい．
- …
- …