UnLoc: إطار موحد لمهام تحديد موقع الفيديو

بينما تم استخدام نماذج التدريب المسبق على نطاق واسع مثل CLIP في العديد من المهام المرتبطة بالفيديو على مقاطع الفيديو المقصوصة، فإن استخدامها في تحديد الموقع الزمني للفيديوهات غير المقصوصة لا يزال مهمة نسبيًا غير مستكشفة. قمنا بتصميم نهج جديد لهذه الغاية يُسمى UnLoc، يستخدم برجين مدرجين سابقًا للصور والنصوص، ويقدم الرموز إلى نموذج دمج الفيديو-النص. يتم بعد ذلك استخدام مخرجات وحدة الدمج لبناء هرم خصائص، حيث يتصل كل مستوى برأس لتنبؤه بدرجة الصلة لكل إطار وزخَّات زمنية للبداية والنهاية. على عكس الأعمال السابقة، فإن هندستنا تمكن من استرجاع اللحظات (Moment Retrieval)، وتحديد الموقع الزمني (Temporal Localization)، وتقسيم الأنشطة (Action Segmentation) باستخدام نموذج ذو مرحلة واحدة، دون الحاجة إلى اقتراحات أنشطة أو خصائص مدرجة سابقاً تعتمد على الحركة أو تعتيم التمثيل. على عكس النماذج المتخصصة، نحن نحقق أفضل النتائج الحالية في جميع الثلاث مهام المختلفة المتعلقة بالتحديد الزمني باستخدام نهج موحد. سيتم توفير الكود في: \url{https://github.com/google-research/scenic}.