Douze Labs, une entreprise de recherche et de développement en intelligence artificielle basée dans la baie de San Francisco, est en pointe dans la compréhension multimodale des vidéos. Aujourd’hui, nous sommes ravis de dévoiler les capacités de pointe de génération de texte à partir de vidéos de Pegasus-1, notre dernier modèle de base de langage vidéo. Cela représente notre engagement à offrir une gamme complète de services Web adaptés à différentes tâches de compréhension vidéo en aval. Notre gamme s’étend de la recherche de moments vidéo basée sur le langage naturel à la classification, et maintenant, avec la dernière version, à la génération de texte à partir de vidéos en fonction de promesses. Les données vidéo sont intrigantes car elles contiennent plusieurs modalités dans un seul format. Nous pensons que la compréhension des vidéos nécessite une nouvelle approche de l’union des subtilités de la perception visuelle et des nuances séquentielles et contextuelles de l’audio et du texte. Avec l’émergence de modèles d’images et de langage capables, l’approche dominante pour la compréhension des vidéos a été de la reformuler en tant que problème de compréhension de l’image ou de l’speech. Un cadre typique impliquerait l’échantillonnage de trames à partir de la vidéo et leur entrée dans un modèle de langage visuel. Bien que cette approche puisse être viable pour les courtes vidéos (ce qui explique pourquoi la plupart des modèles de langage visuel se concentrent sur des clips vidéo de moins de 1 minute), la plupart des vidéos du monde réel dépassent les 1 minute et peuvent facilement s’étendre sur des heures. L’utilisation d’une approche «image-first» vanilla sur de telles vidéos signifierait le traitement de dizaines de milliers d’images pour chaque vidéo, ce qui entraînerait la manipulation de vastes ensembles d’ébauches d’images-textes qui capturent à peine les sémantiques de l’information spatiotemporelle. Cela est impraticable dans de nombreuses applications en termes de performances, de latence et de coût. De plus, la méthodologie dominante néglige la nature multimodale des vidéos, dans lesquelles l’analyse conjointe des éléments visuels et auditifs, y compris la parole, est cruciale pour une compréhension complète de leur contenu.
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle
Les Problèmes Communs Rencontrés par la Société dans l’Utilisation Efficace des Derniers Développements de l’Intelligence Artificielle Introduction L’intelligence artificielle (IA)
