使用 VLM 增强时序群性图的动态群组检测
计算机视觉与模式识别
2025-09-08 v1
摘要
本文提出了一种视频中的动态人类群组检测方法。为了检测复杂的群组，不仅群组成员的局部外观特征很重要，场景的全局上下文也很重要。在我们的方法中，使用针对群组检测增强的视觉语言模型（VLM）来提取每一帧中的此类局部和全局外观特征。为了进一步改进，群组结构应随时间保持一致。以往的方法在假设视频中群组不发生变化的条件下进行稳定化，而我们的方法利用由群性增强的 CLIP 特征估算所有帧的群性概率所构成的图，通过全局优化来检测动态变化的群组。我们的实验结果表明，我们的方法在公开数据集上优于最先进的群组检测方法。代码：https://github.com/irajisamurai/VLM-GroupDetection.git
引用
@article{arxiv.2509.04758,
title = {Dynamic Group Detection using VLM-augmented Temporal Groupness Graph},
author = {Kaname Yokoyama and Chihiro Nakatani and Norimichi Ukita},
journal= {arXiv preprint arXiv:2509.04758},
year = {2025}
}
备注
10 pages, Accepted to ICCV2025