据论文预印本,研究团队于2026年11月4日在arXiv提交TraCE(Trajectory-Aware Concepts for Explainable Video Understanding),聚焦视频理解模型“能给出答案但难以说明依据来自哪里”的问题。论文称,现有视频可解释方法可能只定位到模糊区域,或主要依赖单人姿态序列,难以完整覆盖人物、物体及其交互产生的运动证据。TraCE通过聚类训练视频中的光流轨迹,构建可跨来源复用的运动概念,同时加入物体和场景概念,并将这些概念组织成轨迹、物体、场景三类接口,用于动作识别和视频问答中的条件化概念匹配。作者在六个基准上、以五个随机种子进行评估:相较不可解释基线,动作识别平均准确率下降约1.0个百分点,视频问答平均准确率名义上提升0.4个百分点;运动扰动和概念移除实验则用于检验概念与语义方向的一致性及决策忠实度。该结果说明,可解释性不一定要以明显牺牲任务性能为代价,但论文目前主要提供作者报告的实验结果,实际泛化能力仍需更多独立复现和更广泛场景验证。论文页面还显示其已被标注为NeurIPS 2026接收,但这条信息来自作者在预印本页面的备注,不能替代对完整会议版本的核验。原文:TraCE: Trajectory-Aware Concepts for Explainable Video Understanding
参考来源:
由 AI 整理,仅供参考;请以原始来源为准。
帖子详情