密集视频描述：技术、数据集与评估协议综述
计算机视觉与模式识别
2023-11-07 v1 人工智能
摘要
未裁剪视频包含相互关联的事件、依赖关系、上下文、重叠事件、物体-物体交互、领域特异性以及其他在通过自然语言描述视频时值得突出的语义。由于这种巨大的多样性，单个句子只能正确描述视频的一部分。密集视频描述（DVC）旨在检测并描述给定视频中的不同事件。DVC一词起源于2017年ActivityNet挑战赛，此后人们做出了大量努力来应对该挑战。密集视频描述分为三个子任务：(1) 视频特征提取（VFE），(2) 时间事件定位（TEL），以及 (3) 密集描述生成（DCG）。本综述旨在讨论所有声称执行DVC及其子任务的研究并总结其结果。我们还讨论了所有用于DVC的数据集。最后，我们强调了该领域一些新兴挑战与未来趋势。
引用
@article{arxiv.2311.02538,
title = {Dense Video Captioning: A Survey of Techniques, Datasets and Evaluation Protocols},
author = {Iqra Qasim and Alexander Horsch and Dilip K. Prasad},
journal= {arXiv preprint arXiv:2311.02538},
year = {2023}
}
备注
35 pages, 10 figures