arXiv 動画解析・理解 関連論文リスト
arXivから収集した「動画の解析（Video Analysis / Video Understanding）」に関する代表的かつ最新の学術論文リストです。
本リストは literature-search-arxiv スキルを使用して取得されました。
1. 包括的サーベイ論文（全体の動向把握に最適）
Video Understanding: From Geometry and Semantics to Unified Models
- 著者: Zhaochong An, Zirui Li, Mingqiao Ye, Feng Qiao, Jiaang Li, Zongwei Wu, Vishal Thengane, Chengzu Li, Lei Li, Luc Van Gool, Guolei Sun, Serge Belongie
- 公開日: 2026年3月18日
- arXiv ID: 2603.17840v1
- PDFリンク: https://arxiv.org/pdf/2603.17840v1
- 概要: 動画理解の進展を、低レベルの幾何学（geometry）理解、高レベルのセマンティクス理解、および「統一型動画理解モデル」の3つの視点から構造的にまとめた包括的な最新サーベイです。従来のタスク特化型パイプライン設計から、マルチモーダルかつ多様な下流タスクに適応可能な動画基盤モデル（Video Foundation Model）への移行について詳しく論じています。
2. 長尺動画理解とプロンプト最適化（最新技術）
CoS: Chain-of-Shot Prompting for Long Video Understanding
- 著者: Jian Hu, Zixu Cheng, Chenyang Si, Wei Li, Shaogang Gong
- 公開日: 2025年2月10日
- arXiv ID: 2502.06428v2
- PDFリンク: https://arxiv.org/pdf/2502.06428v2
- 概要: マルチモーダル大規模言語モデル（MLLM）が長尺動画を扱う際、視覚トークンの多さによる文脈制限や余分なシーン（不要なショット）の混入が課題となります。本論文では、タスクに応じて意味的に重要度の高いショットを動的に選別するテスト時プロンプト最適化手法「Chain-of-Shot (CoS)」を提案しています。
3. 動画基盤モデル（大規模マルチモーダル学習）
InternVideo2: Scaling Foundation Models for Multimodal Video Understanding
- 著者: Yi Wang, Kunchang Li, Xinhao Li, Jiashuo Yu, Yinan He, Chenting Wang, Guo Chen, Baoqi Pei, Ziang Yan, Rongkun Zheng, Jilan Xu, Zun Wang, Yansong Shi, Tianxiang Jiang, Songze Li, Hongjie Zhang, Yifei Huang, Yu Qiao, Yali Wang, Limin Wang
- 公開日: 2024年3月22日（ECCV 2024採択）
- arXiv ID: 2403.15377v4
- PDFリンク: https://arxiv.org/pdf/2403.15377v4
- 概要: 動画エンコーダを60億パラメータ（6B）規模にスケールアップした動画基盤モデル「InternVideo2」を提案しています。Masked Video Modeling、対照学習、Next Token Predictionを統一した段階的学習により、動画認識や動画対話など60以上の多様な動画関連タスクで高いパフォーマンスを実証しています。
4. 人間中心の複雑な行動解析とデータセット
Human in Events: A Large-Scale Benchmark for Human-centric Video Analysis in Complex Events
- 著者: Weiyao Lin, Huabin Liu, Shizhan Liu, Yuxi Li, Rui Qian, Tao Wang, Ning Xu, Hongkai Xiong, Guo-Jun Qi, Nicu Sebe
- 公開日: 2020年5月9日（IJCV 2023掲載）
- arXiv ID: 2005.04490v6
- PDFリンク: https://arxiv.org/pdf/2005.04490v6
- 概要: 実世界の混雑シーンや異常行動が発生する複雑なイベントにおいて、人間の姿勢・動作・軌跡を追跡する「Human-in-Events (HiEve)」という大規模データセットを提案。姿勢推定や行動分類の学習用ベンチマークとして広く活用されています。
5. 効率的なオンライン動画解析（高速化技術）
ECO: Efficient Convolutional Network for Online Video Understanding
- 著者: Mohammadreza Zolfaghari, Kamaljeet Singh, Thomas Brox
- 公開日: 2018年4月24日（ECCV 2018）
- arXiv ID: 1804.09066v2
- PDFリンク: https://arxiv.org/pdf/1804.09066v2
- 概要: 動画解析における計算コストの課題に対し、フレーム間の冗長性を削減するサンプリング戦略と、ネットワーク内での長期特徴マージ手法を組み合わせた「ECO（Efficient Convolutional Network）」を提案。既存手法と比較して大幅な高速処理（10倍〜80倍）を実現し、オンラインでのアクティビティ分類に貢献しました。