突破時(shí)空界限：AI新紀(jì)元下的漫畫與視頻智能定位技術(shù)解析

無需訓(xùn)練

原標(biāo)題：AI模仿人類看漫畫，視頻大模型時(shí)序定位能力新SOTA
文章來源：量子位
內(nèi)容字?jǐn)?shù)：3069字

NumPro：提升視頻大模型時(shí)序定位能力的創(chuàng)新方法

NumPro團(tuán)隊(duì)通過創(chuàng)新方法顯著提高了視頻大語言模型（Vid-LLMs）在視頻時(shí)序定位任務(wù)中的表現(xiàn)。該方法靈感來源于漫畫，通過在視頻幀上添加數(shù)字標(biāo)識符，將時(shí)序信息與視覺內(nèi)容直接關(guān)聯(lián)，類似于漫畫中編號的畫格，引導(dǎo)觀眾理解故事的順序。

一、背景與挑戰(zhàn)

盡管Vid-LLMs在視頻內(nèi)容理解上取得了顯著進(jìn)展，但在視頻時(shí)序定位（Video Temporal Grounding,VTG）任務(wù)中仍面臨挑戰(zhàn)。例如，精確定位視頻中的發(fā)生時(shí)刻對于實(shí)際應(yīng)用至關(guān)重要，但現(xiàn)有模型很難做到這一點(diǎn)。傳統(tǒng)方法通常需要大量的訓(xùn)練和復(fù)雜的適配，限制了其靈活性和可遷移性。

二、NumPro的實(shí)現(xiàn)

NumPro的核心創(chuàng)新在于其訓(xùn)練的設(shè)置。該方法無需額外訓(xùn)練，通過為每個(gè)視頻幀標(biāo)記幀號，利用Vid-LLMs的光學(xué)字符識別（OCR）能力，模型可以輕松“讀取”時(shí)間線。通過添加簡單指令，告知模型幀號的含義，從而實(shí)現(xiàn)幀級邊界的準(zhǔn)確識別。

三、微調(diào)優(yōu)化設(shè)置

為了進(jìn)一步提升性能，研究團(tuán)隊(duì)還提出了NumPro-FT，通過在NumPro增強(qiáng)數(shù)據(jù)集上對Vid-LLMs進(jìn)行微調(diào)，將幀號與訓(xùn)練數(shù)據(jù)中的時(shí)間跨度對齊。微調(diào)過程中，僅對視覺投影儀和大語言模型（LLM）組件進(jìn)行優(yōu)化，采用低秩適應(yīng)（LoRA）技術(shù)，有效減少了參數(shù)數(shù)量和訓(xùn)練開銷。

四、設(shè)計(jì)優(yōu)化與實(shí)驗(yàn)結(jié)果

研究團(tuán)隊(duì)對字體大小、顏色和位置進(jìn)行了優(yōu)化，最終確定了最佳設(shè)計(jì)為字體大小40、顏色紅色、位置右下角。在標(biāo)準(zhǔn)VTG基準(zhǔn)測試中，NumPro表現(xiàn)卓越，尤其是在Moment Retrieval任務(wù)中，其性能接近或超過了以往的最優(yōu)水平。經(jīng)過NumPro-FT微調(diào)后，模型在多個(gè)數(shù)據(jù)集上的指標(biāo)大幅超越現(xiàn)有SOTA。

五、廣泛適用性與未來展望

NumPro不僅在領(lǐng)先模型上效果顯著，還可以廣泛應(yīng)用于多種Vid-LLMs，如LLaVA-Video-7B和Qwen2-VL-72B等。結(jié)合微調(diào)時(shí)，NumPro-FT的表現(xiàn)始終優(yōu)于傳統(tǒng)微調(diào)方法，尤其在較長視頻數(shù)據(jù)集上表現(xiàn)突出。在通用視頻問答任務(wù)中，NumPro對一般理解指標(biāo)影響極小，顯示出其在提升視頻時(shí)序定位能力的巨大潛力。

總之，NumPro的創(chuàng)新方法為視頻理解領(lǐng)域帶來了新的突破，預(yù)示著未來在視頻分析和應(yīng)用中的廣泛前景。

聯(lián)系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關(guān)注科技行業(yè)新突破