CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
CaptionFormer：时空对象的统一分割、跟踪与描述
机构 * Inria, École Normale Supérieure, CNRS, PSL Research University（法国国家科学研究中心、巴黎高等师范学院、国家科学研究中心、巴黎综合理工研究所） ； Google DeepMind（谷歌DeepMind）
AI总结 提出 CaptionFormer 模型，通过利用 VLM 生成合成描述并扩展数据集，实现视频中对象轨迹的联合检测、分割、跟踪与描述，在三个基准上达到最优。
Comments 17 pages, 10 figures
