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

Aaron Lee、Smith.aiの共同設立者兼CEO - インタビューシリーズ

アーロン・リーさんは、Smith.aiの共同創業者兼CEOであり、AIと人間の知性を組み合わせて、24時間365日の顧客エンゲージメン...

人工知能

「コーネリスネットワークスのソフトウェアエンジニアリング担当副社長、ダグ・フラーラー氏 - インタビューシリーズ」

ソフトウェアエンジニアリングの副社長として、DougはCornelis Networksのソフトウェアスタック全体、Omni-Path Architecture...

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...

機械学習

「Prolificの機械学習エンジニア兼AIコンサルタント、ノラ・ペトロヴァ – インタビューシリーズ」

『Nora Petrovaは、Prolificの機械学習エンジニア兼AIコンサルタントですProlificは2014年に設立され、既にGoogle、スタンフ...

人工知能

「Kognitosの創設者兼CEO、ビニー・ギル- インタビューシリーズ」

ビニー・ギルは、複数の役職と企業を横断する多様で幅広い業務経験を持っていますビニーは現在、Kognitosの創設者兼CEOであり...

人工知能

「ジンディのCEO兼共同創設者、セリーナ・リー― インタビューシリーズ」

「Celina Leeは、ZindiのCEO兼共同創設者であり、アフリカのデータサイエンティスト向けの最大の専門ネットワークです Celina...