arXiv:2606.02962v1 Announce Type: cross Abstract: Egocentric Natural Language Query (NLQ) grounding asks a model to localize, in a long first-person video, the temporal interval that answers a free-form text query. Existing methods fuse video appearance with the query but ignore hand motion, despite the fact that roughly 41% of Ego4D NLQ queries...
Läs hela artikeln hos källan.
![[Ekstra] Over én million lærere er flyttet over på en åpen kildekode-plattform](https://images.gfx.no/1000/2928/2928382/Skjermbilde%202026-06-17%20kl.%2010.49.41.png)
Kommentarer (0)
Inga kommentarer ännu. Bli först med att kommentera!