生成式人工智能时代的霹雳舞视频分类

大型视觉语言模型最近在多个体育应用场景中得到了广泛应用。这些工作大多针对少数流行运动，如足球、板球、篮球等；并聚焦于视觉问答、精彩片段生成等生成式任务。本文分析了现代视频基础模型（包括编码器和解码器）在一个非常小众但广受欢迎的舞蹈运动——霹雳舞中的适用性。我们的结果表明，对于预测任务，视频编码器模型持续优于最先进的视频语言模型。我们提供了关于如何选择编码器模型的见解，并对用于霹雳舞视频分类的微调解码器模型的工作原理进行了深入分析。