시공간 비디오 그라운딩
영상과 자연어 질의를 입력으로 받아 대상 객체의 시간적 구간과 프레임별 공간 바운딩 박스를 동시에 예측하는 과업으로, 이 논문에서는 STVG를 전체 과제로 규정하고 SVG와 TVG로 분해하여 분석한다. 입력으로 비디오 프레임 시퀀스와 텍스트 질의가 주어지면 모델은 시간적 경계와 각 프레임의 박스를 반환한다. 작은 객체와 짧은 이벤트가 높은 난이도를 유발하는 주요 요인으로 다루어진다.