视频对话方向大论文性质的记录

视频对话领域在近几年顶刊上的paper寥寥无几并且在大模型的冲击下许多工作的本质就是换皮，真正有实质意义的工作寥若星辰，本无打算特地做综述性质的报告，但由于开题和毕业论文需要，故留记录

Information-Theoretic Text Hallucination Reduction for Video-grounded Dialogue

论文地址：https://arxiv.org/abs/2212.05765

整点论文

• 视频理解

• 视频理解2

• 视频对话

• 对比学习

• 多模态

视频理解综述性质的记录

简介

视频数据本身就是一种多模态信息，并且是一种很丰富的数据来源，其包含的信息远远多于2D的图片，例如有物体移动的信息，以及长期的时序信息，音频信号等，并且视频数据是一种天生的数据增强，比如在一段视频中一个物体会有各种各样的变化，形变，遮挡，光照变化等，这种改变通常是十分丰富且自由的，远比通过一些图片处理得到的数据增强要自然的多。视频理解领域三巨头就是：Action Recognition、Temporal Action Localization、Spatio-Temporal Action Localization

对比学习综述性质的记录

Bootstrap your own latent: A new approach to self-supervised Learning

论文地址:https://arxiv.org/abs/2006.07733

项目代码:https://github.com/deepmind/deepmind-research/tree/master/byol

多模态方向综述性质的记录

关于视频理解的论文收集(较新)

本文可配合视频理解综述性质记录服用

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

论文地址：http://arxiv.org/abs/2103.14030
项目代码：https://github.com/microsoft/Swin-Transformer