Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Empowering LLMs with Pseudo-Untrimmed Videos for Audio-Visual Temporal Understanding

Created by
  • Haebom

저자

Yolo Yunlong Tang, Daiki Shimada, Jing Bi, Mingqian Feng, Hang Hua, Chenliang Xu

PU-VALOR: Pseudo-Untrimmed Audio-Visual Video Dataset for Temporal Understanding

개요:
본 논문은 대규모 언어 모델(LLM)의 비디오-언어 작업에서의 시간적 이해 능력을 향상시키기 위해 개발된 PU-VALOR라는 포괄적인 오디오-비주얼 데이터셋을 소개합니다. PU-VALOR는 VALOR 데이터셋을 기반으로 하며, 이벤트 기반 비디오 클러스터링, 임의 시간적 스케일링 및 순열 기법을 통해 114,000개 이상의 의사-비트리밍 비디오에 상세한 시간적 주석을 제공합니다. 이 데이터셋을 사용하여 멀티모달 LLM을 fine-tuning한 AVicuna 모델을 개발했습니다. AVicuna는 오디오-비주얼 이벤트와 시간적 간격 및 텍스트 토큰 간의 정렬을 수행하며, 시간적 위치 파악 및 시간 인지 대화 능력이 뛰어납니다. 실험 결과, AVicuna는 오픈엔드 비디오 QA, 오디오-비주얼 QA, 오디오-비주얼 이벤트 밀집 위치 파악 작업에서 SOTA 성능을 달성했습니다.
시사점, 한계점:
•
시사점:
◦
시간적 주석을 가진 대규모 오디오-비주얼 데이터셋 부재 문제를 해결.
◦
AVicuna 모델 개발을 통해 LLM의 시간적 이해 능력을 향상시킴.
◦
오픈엔드 비디오 QA, 오디오-비주얼 QA, 오디오-비주얼 이벤트 밀집 위치 파악 작업에서 SOTA 달성.
•
한계점:
◦
PU-VALOR는 VALOR 데이터셋을 기반으로 생성되었으므로, 원본 데이터셋의 한계를 공유할 수 있음.
◦
의사-비트리밍(pseudo-untrimmed) 방식의 한계로 인해 완벽한 시간적 정확성을 보장하지 못할 수 있음.
◦
모델의 성능은 데이터셋에 의존적이며, 다른 유형의 비디오에 대한 일반화 능력을 추가적으로 검증해야 함.
👍
Made with Slashpage