VC-Agent：用于定制视频数据集收集的交互式智能体

面对规模化法则，来自互联网的视频数据变得越来越重要。然而，收集满足特定需求的大量视频需要大量的人力和时间。本文研究了加速此过程的方法，提出了 VC-Agent——第一个能够理解用户查询和反馈，并据此检索/扩展相关视频片段的交互式智能体。具体而言，考虑到用户界面，我们的智能体定义了各种基于文本描述和确认的用户友好方式，以便用户指定需求。就智能体功能而言，我们利用现有的多模态大语言模型将用户需求与视频内容相连接。更重要的是，我们提出了两种可在持续用户交互时更新的新型过滤策略。最后，我们提供了一个用于个性化视频数据集收集的新基准，并仔细进行用户研究以验证该智能体在各种真实场景中的使用。大量实验表明，该智能体在定制视频数据集收集方面具有有效性和效率。项目页面：https://allenyidan.github.io/vcagent_page/。