概念dense captioning
稠密描述
对视频帧或片段生成覆盖物体、场景、动作等要素的自然语言描述的技术，常见做法是每隔若干帧调用视觉语言模型生成文本作为历史记忆。优点是紧凑可直接送入语言模型，代价是高度有损，缺乏时序分辨率
时间轴 (近 90 天)
10月15日
稠密描述方法通过每隔若干帧调用视觉语言模型生成文本描述作为历史记忆，其代价是高度有损，对动作间的时序衔接和状态切换的触发条件往往一笔带过。
待验证50%
对视频帧或片段生成覆盖物体、场景、动作等要素的自然语言描述的技术，常见做法是每隔若干帧调用视觉语言模型生成文本作为历史记忆。优点是紧凑可直接送入语言模型，代价是高度有损，缺乏时序分辨率
稠密描述方法通过每隔若干帧调用视觉语言模型生成文本描述作为历史记忆，其代价是高度有损，对动作间的时序衔接和状态切换的触发条件往往一笔带过。