复旦发布以人为中心的复杂场景音视频追踪基准 | ICML 2026
复旦发布以人为中心的复杂场景音视频追踪基准 | ICML 2026想象一下这个场景:一场多人线上会议,有人说话时画面自动聚焦到发言者;一段综艺素材,后期系统能自动识别谁在讲话并生成字幕;一段监控录像,系统能在人群中持续追踪正在说话的那个人。
来自主题: AI技术研报
7415 点击 2026-09-16 10:36
搜索
想象一下这个场景:一场多人线上会议,有人说话时画面自动聚焦到发言者;一段综艺素材,后期系统能自动识别谁在讲话并生成字幕;一段监控录像,系统能在人群中持续追踪正在说话的那个人。