学习视频中的物体状态变化：开放世界视角

基于摘要分析。本文研究视频中的物体状态变化（Object State Changes，OSCs），提出开放世界任务设定与 VidOSC 方法，目标是在对象是否曾于训练中出现的情况下，都能在时间上定位其初始态、转变态和终态。主要贡献是利用文本及视觉语言模型提供监督信号，并学习跨对象共享的细粒度状态表示，以改善对未见对象的泛化。 机制上，VidOSC 试图将状态变化的表征从具体对象中抽象出来，缓解既有封闭词表方法对已知对象类别的依赖。作者称，文本与视觉语言模型提供的监督可免去对 OSC 训练数据的人工标注；摘要未交代监督信号的生成与筛选方式、状态表示的实现、训练损失或时间定位推理流程，这些细节尚未验证。 数据方面，作者提出开放世界视频 OSC 定位基准 HowToChange，并称其为首个此类基准。作者报告，相较于其所指的现有最佳基准，HowToChange 的标签空间与标注量均增加一个数量级；摘要未提供具体规模、比较基准名称及已见与未见对象的划分方式。作者报告，实验在传统封闭世界和开放世界场景下均显示方法有效，但未给出指标、数值或具体对照，因而尚不能量化收益。 本文的研究对象是视频物体状态变化，并非状态空间模型或 EEG/BCI 方法。当前材料未建立其机制与神经信号任务之间的具体对应关系，不据此推断 BCI 有效性。复现前需核对数据划分、自动监督构建流程、评估指标和基线设置；实验协议、消融及统计信息尚未验证。