多模态大模型

SwiTrack: Tri-State Switch for Cross-Modal Object Tracking

SwiTrack：跨模态目标跟踪的三态开关

Boyue Xu, Ruichao Hou, Tongwei Ren, Dongming Zhou, Gangshan Wu, Jinde Cao

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院） ； School of Mathematics, Southeast University（东南大学数学学院） ； Purple Mountain Laboratories（紫金山实验室） 纠错

专题命中 视频多模态 ：cross-modal(title,abstract)；分类 cs.CV

AI总结 SwiTrack通过三态开关框架提升跨模态目标跟踪的鲁棒性和精度，实现7.2%和4.3%的性能提升。

Spatial Reasoning in Multimodal Large Language Models: A Survey of Tasks, Benchmarks and Methods

多模态大语言模型中的空间推理：任务、基准和方法的调查

Weichen Liu, Qiyao Xue, Haoming Wang, Xiangyu Yin, Boyuan Yang, Wei Gao

机构 * University of Pittsburgh（匹兹堡大学） 纠错

专题命中 视频多模态 ：multimodal(title,abstract)；分类 cs.AI

AI总结 本文调查多模态大语言模型中的空间推理问题，从认知角度分类任务和基准，分析评估方法与改进策略，揭示模型与人类推理间的差距。

UT-OSANet: A Multimodal Deep Learning model for Evaluating and Classifying Obstructive Sleep Apnea

UT-OSANet: 一种用于评估和分类阻塞性睡眠呼吸暂停的多模态深度学习模型

Zijian Wang, Xiaoyu Bao, Chenhao Zhao, Jihui Zhang, Sizhi Ai, Yuanqing Li

专题命中 视频多模态 ：multimodal(title)；cross-modal(abstract)

AI总结 UT-OSANet是一种多模态深度学习模型，用于高精度评估和分类阻塞性睡眠呼吸暂停，通过多种输入模态和灵活训练策略实现事件层面的诊断。

Comments 12 pages,8 figures

BoxingVI: A Multi-Modal Benchmark for Boxing Action Recognition and Localization

BoxingVI：一种多模态基准，用于拳击动作识别与定位

Rahul Kumar, Vipul Baghel, Sudhanshu Singh, Bikash Kumar Badatya, Shivam Yadav, Babji Srinivasan, Ravi Hegde

机构 * Indian Institute of Technology Gandhinagar（印度理工学院甘地纳加尔） ； Indian Institute of Technology Madras（印度理工学院马德拉斯） ； Dr. A. P. J. Abdul Kalam Technical University（阿卜杜勒·卡拉姆技术大学） 纠错

专题命中 视频多模态 ：multi-modal(title)；分类 cs.CV

AI总结 BoxingVI提供了一个多模态数据集，用于拳击动作识别与定位，旨在促进低资源环境下的实时视觉动作识别研究。

Conan: Progressive Learning to Reason Like a Detective over Multi-Scale Visual Evidence

Conan：基于多尺度视觉证据的逐步学习以像侦探一样推理

Kun Ouyang, Yuanxin Liu, Linli Yao, Yishuo Cai, Hao Zhou, Jie Zhou, Fandong Meng, Xu Sun

机构 * State Key Laboratory for Multimedia Information Processing, School of Computer Science, Peking University（多媒体信息处理国家重点实验室，计算机学院，北京大学） ； WeChat AI, Tencent Inc., China（微信AI，腾讯公司，中国） 纠错

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 Conan通过多阶段渐进冷启动策略和AIR RLVR框架，实现证据基础的多步视频推理，超越基线模型，达到最先进的性能。

From Play to Replay: Composed Video Retrieval for Temporally Fine-Grained Videos

从游戏到回放：面向时间精细粒度视频的组合视频检索

Animesh Gupta, Jay Parmar, Ishan Rajendrakumar Dave, Mubarak Shah

专题命中 视频多模态 ：multimodal(abstract)；分类 cs.CV

AI总结 TF-CoVR提出了一种针对时间精细粒度视频检索的框架，通过预训练视频编码器和对比学习提升检索性能。