我々はまもなく独自のパーソナルAIムービーバディを持つことになるのでしょうか?

我々は独自のパーソナルAIムービーバディを持つ予定ですか?

ビデオ-LLaMA 🦙 論文解説。

映画中または映画後にチャットする際、私たちは愛する映画について話すことが好きです。しかし、AIと一緒にそうするまでにはどれくらいの遠い距離があるのでしょうか? LLaMA [1] のような強力なLLMsを活用して、Video-LLaMA [2] はビデオコンテンツについてのチャットの現実に一歩近づいています。このブログ投稿の最後まで読むと、Video-LLaMaがビデオの視覚的および聴覚的コンテンツをどのように処理し、モデルのトレーニングに著者がどのようなトリックを使用したかを知ることができます。しかし、ビデオデータの取り扱いに関する課題についても学ぶことができます。

結果

では、具体的にVideo-LLaMAは何を達成しているのでしょうか?

Source: [2]

それは、ビデオを入力するだけでなく、ビデオの視覚的コンテンツについて尋ねるだけでなく、モデルがビデオで聞こえる音についても尋ねることができるということです!

Source: [2]

アーキテクチャのおかげで、モデルは静止画像にも対応することができます。例えば、詳細にその画像を説明したり、「異常」という概念を理解し、該当するシーンで具体的に何が異常なのかを説明することができます。これは、既存のLLMaのような近代的なLLMsの推論能力によって本当に向上しています。

アーキテクチャ

キャプション付け、またはより一般的にはFlamingo [3]、LLaVa [4]、BLIP2 [5]、Kosmos-1 [6]、および-2 [7]などの画像からテキストへのモデルは、ビジョンエンコーダ(たとえばViT)を使用して単一の画像を埋め込み、その埋め込みをLLMと一致させようとします。しかし、ビデオでは単一の画像ではなく、連続した画像のシーケンスがありますそして対応するオーディオのシーケンスもあります。では、ビデオ全体を埋め込むにはどうすればよいのでしょうか?正直に言うと、ほぼ同じ方法です。

Video-LLaMA全体のアーキテクチャ。 出典: [2]

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

人工知能

「Ami Hever、UVeyeの共同創設者兼CEO - インタビューシリーズ」

עמיר חבר הוא המנכל והמייסד של UVeye, סטארט-אפ ראיה ממוחשבת בלמידה עמוקה, המציבה את התקן הגלובלי לבדיקת רכבים עם זיהוי...

人工知能

アーティスの創設者兼CEO、ウィリアム・ウーによるインタビューシリーズ

ウィリアム・ウーは、Artisseの創設者兼CEOであり、ユーザーの好みに基づいて写真を精密に変更する技術を提供していますそれ...

人工知能

ベイリー・カクスマー、ウォータールー大学の博士課程候補 - インタビューシリーズ

カツマー・ベイリーは、ウォータールー大学のコンピュータ科学学部の博士課程の候補者であり、アルバータ大学の新入教員です...

機械学習

3つの質問:大規模言語モデルについて、Jacob Andreasに聞く

CSAILの科学者は、最新の機械学習モデルを通じた自然言語処理の研究と、言語が他の種類の人工知能をどのように高めるかの調査...

AIニュース

Q&A:ブラジルの政治、アマゾンの人権、AIについてのGabriela Sá Pessoaの見解

ブラジルの社会正義のジャーナリストは、MIT国際研究センターのフェローです

人工知能

「aiOlaのCEO兼共同創設者、アミール・ハラマティによるインタビューシリーズ」

アミール・ハラマティは、aiOlaのCEO兼共同創業者であり、スピーチを作業可能にし、どこでも完全な正確さで業界固有のプロセ...