Valley: Video Assistant with Large Language model Enhanced abilitY
Created by
Haebom
Category
Empty
저자
Ruipu Luo, Ziwang Zhao, Min Yang, Zheming Yang, Minghui Qiu, Tao Wang, Zhongyu Wei, Yanhao Wang, Cen Chen
개요
본 논문은 영상과 언어를 함께 이해하는 대규모 언어 모델(LLM) Valley를 제시합니다. Valley는 다양한 영상-텍스트 정렬 및 영상 기반 지시 수행 작업(멀티샷 자막 생성, 장문 영상 설명, 액션 인식, 인과 추론 등)을 포함하는 Valley-702k 및 Valley-instruct-73k 두 개의 데이터셋을 기반으로 학습되었습니다. ViT-L/14를 비전 인코더로 사용하고, 세 가지 다른 시간적 모델링 모듈을 활용하여 향상된 영상 이해를 위한 다면적 특징을 학습합니다. 2단계 학습 방식을 통해, 1단계에서는 LLM의 시각적 입력 이해 능력을 향상시키는 투영 모듈을 학습하고, 2단계에서는 투영 모듈과 LLM을 함께 학습하여 지시 수행 능력을 향상시킵니다. 실험 결과 Valley가 효과적인 영상 어시스턴트로서 복잡한 영상 이해 시나리오를 단순화할 수 있음을 보여줍니다. 코드와 데이터는 익명으로 공개됩니다.
시사점, 한계점
•
시사점:
◦
영상과 언어를 함께 이해하는 LLM인 Valley 모델 제시.
◦
다양한 영상 이해 작업에 대한 강력한 성능을 보임.
◦
새로운 대규모 영상-텍스트 데이터셋 Valley-702k 및 Valley-instruct-73k 공개.