الأسئلة والإجابات المرئية
السؤال والإجابة على الفيديو (VQA) هي مهمة تدمج تقنيات الرؤية الحاسوبية ومعالجة اللغة الطبيعية، وتهدف إلى الإجابة بدقة على الأسئلة التي يطرحها المستخدمون المتعلقة بمحتوى الفيديو من خلال تحليل الفيديو. الهدف منها هو تحقيق دمج عميق وفهم للمعلومات البصرية واللغوية في الفيديوهات، مما يوفر استرجاع معلومات دقيق وكفاءة تفاعلية. للسؤال والإجابة على الفيديو قيمة تطبيقية كبيرة في مجالات مثل المساعدين الفيديو الذكية، المنصات التعليمية، وأنظمة الترفيه.
NExT-QA
LLaMA-VQA (33B)
ActivityNet-QA
FrozenBiLM
TVBench
Tarsier-34B
MVBench
ST-LLM
STAR Benchmark
VLAP (4 frames)
MSRVTT-QA
FrozenBiLM
How2QA
Text + Text (no Multimodal Pretext Training)
AGQA 2.0 balanced
GF (sup) - Faster RCNN
iVQA
FrozenBiLM
MSRVTT-MC
Singularity-temporal
TVQA
LLaMA-VQA
IntentQA
VideoChat2_mistral
Perception Test
InternVideo2 (8B)
SUTD-TrafficQA
WildQA
RoadTextVQA
GIT
NExT-QA (Efficient)
ViLA (3B, 4 frames)
LSMDC-MC
VIOLETv2
VideoQA
Just Ask (fine-tune)
MSVD-QA
MSR-VTT-MC
ATP (1<-16)
VLEP
Howto100M-QA
TimeSformer
DramaQA
TGIF-QA
MSR-VTT
LSMDC-FiB
Clover