跳到正文
arXiv · AI· Divyanshu Mishra, Sabine Sternig, Rakshith Shetty, Erhan Gundogdu·· 15 天前AI 评分26

Qwen3-8B 通过纯文本训练与 NER 方法实现零样本视频时间定位

Grounding in the Dark: Text-Only Training for Zero-Shot Video Temporal Localization

AI 导读

纯文本训练的 Qwen3-8B 在视频时间定位任务上实现零样本性能,Charades-STA 达成 14.45 mtIoU,QV-Highlights 达成 20.72 mtIoU。 采用 LoRA 适配 134K 样本语料,引入 NER 技术映射最近实体嵌入,解决视频帧与文本间的模态差距。 结果优于现有四种基线,部分实现从文本到视频的跨模态迁移,推动无配对标注的多模态模型训练。

来源:arXiv · AI · arxiv.org