今天向大家介绍一项来自香港大学黄超教授实验室的最新科研成果 VideoRAG。这项创新性的研究突破了超长视频理解任务中的时长限制，仅凭单张 RTX 3090 G...

最近，ByteDance Research 的视频理解大模型眼镜猴（Tarsier） 迎来了巨大更新，发布了第二代模型 Tarsier2 及相关技术报告。研究团...

近年来，已有很多基于深度神经网络的视频理解算法取得了较佳的性能，如 TSM、SlowFast、I3D、X3D、ViViT 等。然而，一个严重的问题是，相较于图像...

近年来，视频理解取得了显著的进步，接近解决了许多标准基准和任务。这一进展主要依赖于 Transformer 架构[36]，它既非常强大，又非常耗计算资源。 Tr...

最近多模态大型语言模型（MLLMs）的先进发展，为视频理解开辟了新的途径。然而，在零样本视频任务中实现高保真度仍然具有挑战性。

onDataReceive回调中通过fs.writeSync传入沙箱文件的writeFd，将下载的数据流写入本地沙箱文件。

（1）多设备兼容：系统支持多种视频输入源，包括固定式摄像头、无人机、手机等，灵活适配车间的不同布局需求。

在传统的学生视频作品或电子申请材料审查过程中，教师需要逐个观看学生提交的视频内容，进行手动评估。这种方式在学生数量庞大的情况下，显得尤为繁琐且效率低下，且评审过...

2）如何理解YUV444、YUV422、YUV420、YUV411？YUV420为何不命名为“更合理的YUV411”？

I帧：intra picture，帧内编码帧。I帧通常是每个GOP的第一个帧，可以看作一个图像经过压缩后的产物，如上期所提到的HEIF图像压缩编码，实际就可理解...

视频插帧，指通过在原始视频的每两帧画面中增加一帧或多帧，缩短每帧之间的显示时间，修正人眼视觉暂留形成的错觉，从而提升视频的流畅度。帧是影像动画中最小单位的单幅影...

首先，视频是由一帧帧图像组成的，利用人眼视觉暂留的原理，使人眼产生了运动的感觉。每一帧的图像又由像素构成，分辨率决定了图像细节的精细程度，分辨率越高，像素越高，...

傅里叶变换，最牛的算法之一，广泛应用于物理学、信号处理、概率、统计、密码学、声学、光学等领域。

在一些图像中，像素值会在原始场景理想均匀的区域内变化，其原因要么是光子或其他信号的有限计数统计、在芯片内的电子偏移中引入的损耗；要么是放大器或电缆中出现了电子噪...

业内有个很形象的比喻，可以带大家很快弄清楚封装格式和编码的关系：编码格式和封装格式的关系好比酒与酒瓶的关系，编码格式就像酒瓶里的酒，是视频的核心内容，封装格式就...

将多个模态理解的集成与长序列能力的集成非常重要。支持更多模态的基础模型可以接受更灵活的输入信号，使人们可以以更多样化的方式与模型进行交互，例如类似 GPT-40...