TubeDETR: Spatio-Temporal Video Grounding with Transformers

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21730%2F22%3A00365338" target="_blank" >RIV/68407700:21730/22:00365338 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/CVPR52688.2022.01595" target="_blank" >https://doi.org/10.1109/CVPR52688.2022.01595</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CVPR52688.2022.01595" target="_blank" >10.1109/CVPR52688.2022.01595</a>

Jazyk výsledku

angličtina

Název v původním jazyce

TubeDETR: Spatio-Temporal Video Grounding with Transformers

Popis výsledku v původním jazyce

We consider the problem of localizing a spatio-temporal tube in a video corresponding to a given text query. This is a challenging task that requires the joint and efficient modeling of temporal, spatial and multi-modal interactions. To address this task, we propose TubeDETR, a transformer-based architecture inspired by the recent success of such models for text-conditioned object detection. Our model notably includes: (i) an efficient video and text encoder that models spatial multi-modal interactions over sparsely sampled frames and (ii) a space-time decoder that jointly performs spatio-temporal localization. We demonstrate the advantage of our proposed components through an extensive ablation study. We also evaluate our full approach on the spatio-temporal video grounding task and demonstrate improvements over the state of the art on the challenging VidSTG and HC-STVG benchmarks.

Název v anglickém jazyce

TubeDETR: Spatio-Temporal Video Grounding with Transformers

Popis výsledku anglicky

We consider the problem of localizing a spatio-temporal tube in a video corresponding to a given text query. This is a challenging task that requires the joint and efficient modeling of temporal, spatial and multi-modal interactions. To address this task, we propose TubeDETR, a transformer-based architecture inspired by the recent success of such models for text-conditioned object detection. Our model notably includes: (i) an efficient video and text encoder that models spatial multi-modal interactions over sparsely sampled frames and (ii) a space-time decoder that jointly performs spatio-temporal localization. We demonstrate the advantage of our proposed components through an extensive ablation study. We also evaluate our full approach on the spatio-temporal video grounding task and demonstrate improvements over the state of the art on the challenging VidSTG and HC-STVG benchmarks.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/EF15_003%2F0000468" target="_blank" >EF15_003/0000468: Inteligentní strojové vnímání</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceeding 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

ISBN

978-1-6654-6946-3

ISSN

1063-6919

e-ISSN

2575-7075

Počet stran výsledku

12

Strana od-do

16421-16432

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

New Orleans, Louisiana

Datum konání akce

19. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000870783002023