Jan 01, 1970
107 रीडिंग
लंबे वीडियो प्रश्न उत्तर के लिए सारांश-फिर-खोज विधि: विधि
बहुत लंबा; पढ़ने के लिए
इस शोधपत्र में, शोधकर्ताओं ने GPT-3 का उपयोग करते हुए शून्य-शॉट वीडियो QA का पता लगाया है, जो पर्यवेक्षित मॉडलों से बेहतर प्रदर्शन करता है, कथात्मक सारांश और दृश्य मिलान का लाभ उठाता है।यह पेपर CC 4.0 लाइसेंस के अंतर्गत arxiv पर उपलब्ध है।
लेखक:
(1) जीवन चुंग, एमआईआर लैब योनसी विश्वविद्यालय ( https://jiwanchung.github.io/ );
(2) यंगजई यू, एमआईआर लैब योनसी विश्वविद्यालय ( https://jiwanchung.github.io/ )।
लिंक की तालिका
2. विधि
2.1. प्लॉट निर्माण
2.2. कथात्मक खोज
संक्षेप में दिए गए विवरण और प्रश्न को देखते हुए, हम लंबे वीडियो से प्रश्न से संबंधित अपेक्षाकृत छोटी क्लिप को पुनः प्राप्त करना चाहते हैं। भाषा मॉडल ओपन-एंडेड टेक्स्ट उत्पन्न करते हैं जो अनियमित और अक्सर शोरगुल वाला होता है। वीडियो के सटीक हिस्से को पुनः प्राप्त करने के लिए, हम मॉडल को टेक्स्ट फॉर्म के बजाय प्लॉट के इंडेक्स आउटपुट करने के लिए प्रेरित करते हैं।
भाषा मॉडल की ओपन-एंडेड प्रकृति के कारण उत्पन्न सूचकांक अभी भी शोर हो सकते हैं। जब मॉडल टेक्स्ट फॉर्म में उत्तर आउटपुट करता है, तो हम प्लॉट पीस उम्मीदवारों को खोजने के लिए रूज-एल [19] स्कोर का उपयोग करते हैं जिनकी उत्पन्न वाक्य के साथ समानता निर्दिष्ट सीमा α ≥ 0.5 से ऊपर है।
2.3. दृश्य जाँच
L O A D I N G
. . . comments & more!
. . . comments & more!
