video-understanding

Caja de herramientas y banco de pruebas de próxima generación para la comprensión de video de OpenMMLab

Kit de herramientas de evaluación multimodal todo en uno para tareas de texto, imagen, video y audio

[CVPR2024 Highlight][VideoChatGPT] ¡ChatGPT con comprensión de video! Y muchos más LM compatibles como miniGPT4, StableLM y MOSS.

GLM-4.6V/4.5V/4.1V-Thinking: Hacia un razonamiento multimodal versátil con aprendizaje por refuerzo escalable

[ECCV2024] Modelos base de video y datos para comprensión multimodal

[ICCV 2019] TSM: Módulo de cambio temporal para la comprensión eficiente de videos

NVIDIA AI Blueprint para búsqueda y resumen de video (VSS) es una arquitectura de referencia acelerada por GPU para construir agentes de análisis de video con alertas verificadas en tiempo real, preguntas y respuestas visuales, y generación automatizada de informes. El Blueprint VSS utiliza modelos de lenguaje visual (VLMs) como NVIDIA Cosmos, LLMs como NVIDIA Nemotron, RAG y NVIDIA NIMs.

VideoAgent: Framework de agentes todo en uno para la comprensión, edición y recreación de video

Kit de herramientas para comprensión de video basado en PaddlePaddle. Incluye herramientas de anotación, modelos de reconocimiento de acciones basados en RGB y esqueletos, y aplicaciones prácticas para etiquetado de video y detección de acciones deportivas.

Familia SALMONN: un conjunto de LLMs multimodales avanzados.

Un modelo multimodal unificado nativo con 3B de parámetros activos para la comprensión, generación y edición de imágenes y videos.

awesome grounding: una lista curada de artículos de investigación sobre visual grounding.

Una lista de artículos sobre trabajos recientes de Visión Artificial (CV)

[CVPR 2024 Highlight🔥] Chat-UniVi: La representación visual unificada potencia a los modelos de lenguaje grandes con comprensión de imágenes y videos

[CVPR 2023] VideoMAE V2: escalado de Video Masked Autoencoders con enmascaramiento dual.

Código oficial para el modelo Goldfish para comprensión de video largo y MiniGPT4-video para comprensión de video corto

An open-weight 11B model series for long-form and real-time video understanding

Nodos de ComfyUI para modelos de lenguaje visual: Qwen3-VL, Moondream 3, Florence-2, SmolVLM2, InternVL, Gemma 3, MiniCPM-V. Incluye detección de vocabulario abierto, segmentación SAM2/SAM3, razonamiento temporal de video, GGUF mediante llama.cpp y APIs de LLM/VLM alojadas.

[ICCV 2023 & TPAMI 2025] MeViS: Un benchmark a gran escala para segmentación de video con expresiones de movimiento