Skip to content
简体中文

切换主题

arXiv 2610.22444 · cs.CV · 2026-10-15

Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning

Yizhe Zhang, Xujia Wang, Songqi Tang, Xujie Tang, Leo Jiahao Jiang, Jiacheng Wang, Bowen Qu, JinBo Li 等 13 人

Tsinghua University

在最新榜 #340 本站收录于 2026-10-25

一句话要点

清华的 Event-STVG 把视频时空定位从“找描述的目标”推进到长视频事件推理,涵盖重复事件、角色推断和多目标定位,基准含 4,016 个事件标注,最强模型也很吃力。

Tsinghua's Event-STVG moves spatio-temporal video grounding toward long-form event reasoning — repeated events, role inference, multi-target grounding — with a 4,016-event benchmark where top MLLMs still struggle.

18HF 点赞
3GitHub stars
0引用(Semantic Scholar)
38.6热度分

阅读 arXiv 原文 PDF Hugging Face 讨论 代码仓库

数据说明

元数据来自 arXiv API(已核实);点赞来自 Hugging Face 每日论文;引用来自 Semantic Scholar。最近刷新 2026-10-26。

要点由本站根据摘要自写,不转载摘要原文,请阅读原文。

数据更新于:最新 AI 论文(北京时间)