中国科学院自动化研究所 发布 VLT-MI 数据集, 应用在 视觉语言跟踪、多模态交互 领域

中国科学院自动化研究所 本次发布的数据集 VLT-MI, VLT-MI数据集由中国科学院自动化研究所创建，是首个支持多轮多模态交互的视觉语言跟踪基准。该数据集包含3619个视频，总帧数达到660万，涵盖短期、长期和全局实例跟踪任务。数据集通过DTLLM-VLT生成高质量的视频文本信息，实现动态交互，旨在解决传统VLT基准在多轮交互中的不足。VLT-MI的应用领域主要集中在视觉语言跟踪任务，旨在通过多模态交互提升跟踪器的准确性和鲁棒性。

查看VLT-MI

关于 中国科学院自动化研究所 , 中国科学院自动化研究所是中国科学院下属的研究机构，主要从事自动化科学与技术的研究，涵盖人工智能、机器人技术、模式识别等领域。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。