摘要

近日，通过整合视频基础模型和大规模语言模型来构建视频理解系统，可以克服特定预定义视觉任务的局限性。然而，现有的系统只能处理帧数非常少的视频。对于长视频而言，计算复杂度、内存成本以及长时间的时间连接性带来了额外的挑战。借鉴阿特金森-希夫林记忆模型（Atkinson-Shiffrin memory model），我们将Transformer中的标记（tokens）作为记忆载体，并结合我们专门设计的记忆机制，提出了MovieChat以应对这些挑战。MovieChat在长视频理解方面达到了最先进的性能，并发布了包含1000部长视频和14000个人工注释的MovieChat-1K基准数据集，用于验证我们方法的有效性。