面向流式航拍视频中小目标理解的记忆增强多模态大语言模型

英文标题：Memory-Augmented Multimodal Large Language Models for Small Object Understanding in Streaming Aerial Videos

该论文研究语言引导的航拍感知，目标是在复杂无人机（UAV）场景中理解用户指定的微小目标。论文指出，实际无人机部署需要在飞行过程中即时响应，因此相关感知任务必须以在线流式方式运行。研究聚焦将记忆机制与多模态大语言模型结合，以提升流式航拍视频中的小目标理解能力。该方向对需要实时视觉感知、语言交互与持续上下文建模的无人机 Agent 开发具有参考意义。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB