利用相关任务在体育教学中的一致性时间定位
计算机视觉与模式识别
2026-03-20 v1
摘要
视频-LLM常注意力分配到不相关的帧，这尤其影响需要精确时间定位的体育教学任务。然而获取帧级监督信息具有挑战性：既昂贵又难以从人类获取，也不可靠。我们通过利用相关任务（如生成与验证）必须注意同一帧这一观察事实，在不增加额外标注的情况下提高时间定位。我们通过对紧密相关任务的选择性视觉注意力图实施自一致性目标。使用VidDiffBench，该基准提供了关键帧标注，我们首先验证注意力分配不当是一个重要瓶颈。随后，我们表明使用该目标进行训练可在三个体育教学任务（Exact、FitnessQA、ExpertAF）上获得+3.0%、+14.1%准确率和+0.9 BERTScore的提升，甚至超过了闭源模型。
引用
@article{arxiv.2603.18453,
title = {Learning Consistent Temporal Grounding between Related Tasks in Sports Coaching},
author = {Arushi Rai and Adriana Kovashka},
journal= {arXiv preprint arXiv:2603.18453},
year = {2026}
}