茂名管道保温 三类视觉Token分拨，能径直处理压缩时序碎屑化

长认知茂名管道保温，正在成为多模态大模子的垂死智商。

用户初始不再只问"里有什么"，而是但愿模子能跨越回答：这个事件从什么手艺初始？到什么手艺适度？这类任务被称为时序定位（Video Temporal Grounding, VTG）。

但越长，visual tokens 越多，理资本也越。

个径直想路是：剪掉部分视觉 token。

SemVID 恰是围绕这个问题张开。它的中枢不雅点是：比较传统针对 VideoQA 的剪枝，VTG 剪枝不是通俗删掉"不垂死画面"，而是要保住条相沿时辰定位的 evidence chain。该责任已被 ECCV 2026 会议请托。

VideoQA 剪枝和 VTG 剪枝，根柢倡导不同

以往好多 token pruning 法主要就业于 VideoQA。VideoQA 的倡导常常是回答"里有什么""东谈主物在作念什么""物体是什么颜"。这类问题时时只需要少数要道帧展示相干画面就可能答对。

但 VTG 的倡导不同。VTG 要定位"什么手艺初始、什么手艺适度"。模子不仅要看到 query 相干对象，还要看到行为前后的景况变化。

比如查询是"个东谈主从柜子里拿出包"，模子不仅要看到"东谈主""柜子""包"，还要看到行为发生前后的景况变化：手什么手艺伸向柜子，包什么手艺被拿出。

若是剪枝法只保留几个著或相干的画面，模子可能知谈事件如实出现过，却法判断准确领域。

换句话说，VideoQA 剪枝回答的是：哪些画面够回答问题？VTG 剪枝真确要回答的是：哪些根据能相沿时辰定位？

这便是 SemVID 与既有法的根柢各异。

SemVID 的中枢动机：保住 Evidence Chain

下图展示了 SemVID 的中枢 motivation，即 VTG 需要的不仅仅局部根据，而是条跨帧勾通的根据链。

在 VTG 中，事件时时不是由著的某几帧决定的，而是由系列景况变化共同界说的。

事件领域隔壁的 token 隆重告诉模子"变化从这里初始和适度"，而中间的 relay token 隆重勾通前后景况。

旦这些中间节点被剪掉茂名管道保温，根据链就会断裂。模子可能仍然看到若干相干画面，却圭表地将这些画面关联起来，构成一语气理旅途。

成果便是：语义认知还在，时辰定位变差。

因此，SemVID 提议两个面向 VTG 的剪枝倡导，意于构成相沿定位的根据链：

Evidence Retention：保留与 query 语义度相干的 token，尤其是事件领域隔壁的要道根据。

Connectivity Strength：保留跨帧勾通，让根据能沿时辰传播，而不是造成孤独孤身一人碎屑。

法：从语义角度分别每个 token 在中的角

围绕根据链，SemVID 绸缪了个 training-free token pruning 框架。它不需要重新熟谙 backbone，只在理阶段决定保留哪些视觉 token。

整个法分两步。

先决定每帧保留若干 token

若是平平分拨预算，关片断会浮滥 token；若是只根据 query 相干度，预算又可能鸠合到少数相干帧，致中间帧被剪空，时辰链路断裂。

SemVID 因此同期辩论 query 相干度和帧间变化两个信号。

相干帧包含倡导事件，而变化帧时时辘集行为升沉或事件领域，从而保证预算分拨涵盖齐全时辰轴和根据链。

在每帧里面经受具体 token

如下图所示，SemVID 式保留三类语义角不同的 token：Object、Motion 和 Context。

Object token保留与 query 相干的对象根据，隆重回答"发生了什么"。

为了止反复选中同物体隔壁的 patch，致预算被雷同的局部区域占满，SemVID 使用 MMR，让选出的 object token 既相干又互补，从而袒护齐全的对象根据。

Motion token保留行为升沉茂名管道保温，隆重回答"什么手艺发生变化"。

SemVID 根据相邻帧之间的局部特征变化经受 motion token，铁皮保温并结合相干渡过滤与 query 关的布景洞开。

它们不是宽泛洞开区域，而是勾通事件前后景况的 relay node。

Context token保留场景锚点，隆重回答"根据发生在什么环境中"。

端剪枝下，若是只留住对象局部，会造成组碎屑化根据。极少 context anchor 不错保管场景一语气，匡助模子把对象和行为放回正确语境中。

履行：SemVID 是否真实保住了根据链？

论文在 Charades-STA 和 ActivityNet-Grounding 上使用 Qwen3-VL 和 Qwen2.5-VL 进行评测。履行考据了 SemVID 是否在强压缩下仍能保执 VTG 所需的领域定位智商。

上图标明在疏浚 token 预算下，SemVID 在 mIoU、ER 和 CS 上举座于现存剪枝法。

尤其在低保留率下，其他法时时出现明能着落；而 SemVID 仍能褂讪保执较 mIoU。这证据 SemVID 的势不仅仅"压缩 token "，而是把有限 token 留在了真确影响时辰定位的位置。

其中，mIoU 商酌终定位精度，ER 商酌要道根据是否被保留，CS 商酌根据是否能跨帧连起来。

不错看到，SemVID 的 mIoU 晋升常常跟随 ER 和 CS 的晋升，这与团队的中枢动机致：VTG 剪枝不行只保留相干画面，还必须保留条可跟踪的 evidence chain。

消融履行跨越讲明了 SemVID 为什么有。

去掉 Object Token 后，mIoU 和 ER 着落，证据 query 相干的对象根据是定位基础；去掉 Motion Token 后，mIoU 和 CS 着落明，证据行为变化 token 是勾通事件前后景况的要道 relay；去掉 Context Token 后，CS 也会着落，证据极少场景锚点能匡助保管时辰一语气，避根据碎屑化。

可视化：SemVID 能褂讪保留行为相干根据

下图展示了不同剪枝法的 attention 热力争。

比较 VisionZip 和 FastVID，SemVID 即使在 12.5 的低预算下，仍能褂讪聚焦在行为发生前后的语义相干区域，举例东谈主物手部、物体和行为交互位置。

追思

SemVID 垂死的启发是，VTG 剪枝不行只保留"看起来相干"的画面，而要保留能相沿领域定位的根据链。

通过 object/motion/context 三种语义角，SemVID 能在 training-free 条目下，把有限 token 准确地分拨给对象根据、行为升沉和场景锚点，从汉典毕褂讪的永劫序定位。

诚然，SemVID 也还有跨越矫正空间。现时 motion token 主要依赖帧间特征变化来描写洞开，在镜头移动、布景剧烈变化或遮盖较多的场景中，仍可能受到骚扰。

论文标题：Keeping the Evidence Chain: Semantic Evidence Allocation for Training-Free Token Pruning in Video Temporal Grounding

论文作家：Jiaqi Li, Shuntian Zheng, Yixian Shen, Jia-Hong Huang, Xiaoman Lu, Minzhe Ni, Yu Guan

作家单元：University of Warwick；University of Amsterdam；Amazon AGI

论文地址：https://arxiv.org/abs/2603.05663

代码地址：https://github.com/JiaqiLi404/SemVID

键三连「点赞」「转发」「严防心」

宽贷在挑剔区留住你的想法！

—  完  —

【学术投稿】请在责任日发送邮件至：ai@qbitai.com，标题注明【投稿】，并告诉咱们：你是谁，从哪来，投稿本色附上技俩 / 主页联结，以及磋磨式。

� �   咱们会 ( 尽量 ) 实时回话你 : )

� � 点亮星标 � �

科技前沿发扬逐日见邮箱：215114768@qq.com相关词条:储罐保温     异型材设备     钢绞线厂家    玻璃丝棉厂家    万能胶厂家

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定茂名管道保温，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。