Scene-VLM：ビジョン言語モデルによるビデオシーンセグメンテーション
Paper#Video Understanding, Vision-Language Models, Scene Segmentation🔬 Research|分析: 2026年1月4日 00:06•
公開: 2025年12月25日 20:31
•1分で読める
•ArXiv分析
本論文は、ファインチューニングされたビジョン言語モデルを用いたビデオシーンセグメンテーションの新しいアプローチであるScene-VLMを紹介しています。既存の手法の限界を、マルチモーダルキュー（フレーム、トランスクリプション、メタデータ）の組み込み、シーケンシャル推論の実現、説明可能性の提供によって克服しています。自然言語による根拠生成能力と、ベンチマークにおける最先端の性能達成は、その重要性を示しています。