【论文解读】DEHOI:第一人称视频语言模型真的理解“手“和“物“吗?
论文: Do Egocentric Video-Language Models Capture Both Hand- and Object-Centric Cues? 作者: Masatoshi Tateno (东京大学), Alexandros Stergiou (特温特大学), Risa Shinoda (东京大学), Yoichi Sato (东京大学), Dima Damen (布里斯托大学) 发表: arXiv:2607.08514, J…