پژوهش
مدلی برای پیش‌بینی فعالیت‌های ویدئویی با مفاهیم قابل‌ویرایش
پژوهشگران TRACE-CBM را پیشنهاد کرده‌اند؛ مدلی که برای پیش‌بینی فعالیت‌های آینده، تغییر مفاهیم قابل‌فهم در ویدئو را در طول زمان دنبال می‌کند.
مدل‌های «گلوگاه مفهومی» (CBM) پیش‌بینی‌ها را از مسیر مفاهیم قابل‌فهم برای انسان انجام می‌دهند و امکان بررسی و ویرایش حالت‌های میانی را فراهم می‌کنند. اما به‌گفتهٔ نویسندگان مقالهٔ منتشرشده در arXiv، مدل‌های پیشین مفاهیم را به ورودی‌های مشاهده‌شده پیوند می‌دادند و تحول آیندهٔ آن‌ها را پیش‌بینی نمی‌کردند.
پژوهشگران برای پرداختن به این مسئله، TRACE-CBM را معرفی کرده‌اند؛ روشی برای پیش‌بینی فعالیت‌های آینده از روی ویدئوی فعالیت‌های در حال انجام، با استفاده از حالت‌هایی مبتنی بر مفاهیم نام‌گذاری‌شده. این روش ابتدا فعال‌سازی مفاهیم مشاهده‌شده را با گراف‌های تنکِ مکانی‌ـ‌زمانی اصلاح می‌کند و سپس حالت‌های مفهومی آینده را به‌شکل بازگشتی پیش‌بینی می‌کند. چکیدهٔ در دسترس دربارهٔ جزئیات بیشتر روش یا نتایج آن اطلاعاتی ارائه نمی‌دهد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده