arXiv · Computer Vision· Yiyang Huang, Yitian Zhang, Yizhou Wang, Jianglin Lu, Qihua Dong, Hailing Wang, Huimin Zeng, Mingyuan Zhang, Yun Fu·· 4 hr agoAI score27
RACER：面向长视频理解的反思智能体框架，耦合查询解释与工具检索实现帧选择
RACER: Reflective Agent Coupling Query Interpretation and Tool-Based Retrieval for Frame Selection in Long Video Understanding
AI brief
论文提出 RACER，一个免训练的反思智能体框架，用于长视频帧选择。该框架将任务分解为由轻量视频大语言模型驱动的查询解释，以及由嵌入模型作为检索工具支撑的证据定位，并通过子查询细化形成反思循环。在多个基准测试中，RACER 一致提升长视频理解效果，且在组件能力有限时仍能实现有效帧选择。
Source: arXiv · Computer Vision · arxiv.org