本研究使用基于语言描述的车辆搜索来探索其在实际场景中的潜力，结合最先进的视觉模型和基于 Transformer 的语言模型，重新审视了网络结构设计、训练策略和优化目标，实验结果显示出了优越的性能，并希望为未来车辆检索系统的研究铺平道路。

May, 2021

提出了一种基于多粒度观察（OMG）的新框架，用于通过自然语言描述在监控视频中查询受追踪车辆，并以多粒度对视觉表示、文本表示和目标函数进行优化，实验结果表明，该方法比以往所有方法的表现都好，获得了第 9 名的好成绩。

Apr, 2022

本文提出了一种基于多模态 transformer 架构的视频检索方法，该方法能够充分利用视频中的跨模态线索，并融合先前的时间信息。我们还研究了联合优化语言嵌入和多模态 transformer 的最佳实践。该方法在三个数据集上取得了最新的视频检索结果。

Jul, 2020

本计划提出了一种新方法，使用多模式 Transformer 进行基于自然语言查询的视频摘要和亮点检测，以匹配用户自然语言查询来检索视频中最相关和最有趣的时刻， 并在多个数据集上进行评估，如 YouTube 亮点和 TVSum。

May, 2023

该论文提出了一种新型的 Transformer 模型，将文本和视频显式分离，通过注意力机制了解三种角色的内部和内部角色之间的相关性，以在不同级别上寻找识别特征，初步结果表明，在所有的指标中，我们的方法都超过了当前最先进的方 法，在两个指标上也超过了两种最先进的方法。

Jun, 2022

本论文介绍了一种利用神经网络编码 - 解码架构的可扩展的人工智能生成内容系统，通过将图像转化为文本表示并优化传输以实现语义通信，从而提高对盲区车辆的感知能力和有效压缩通信数据。

Nov, 2023

该论文提出了一种基于想象力的交叉模态编码器（iACE）来解决自然语言理解任务，从而实现视觉想象力，通过从强大的生成和预训练视觉 - 语言模型传输外部知识来扩大模型的学习能力。实验表明，iACE 在自然语言理解中具有很高的效率，在低资源情况下的极端和正常的一些试验中表现的相当出色。

Apr, 2022

本文提出了一种名为 LSTM-E 的新型统一框架，它可以同时探索 LSTM 和视觉 - 语义嵌入的学习，以有效生成自然语言描述的视频内容，实验表明 LSTM-E 在生成自然语言句子方面的表现优于目前为止的最佳表现，对于预测 SVO 三元组也超过了几种最先进的技术。

May, 2015

该论文旨在将来自不同模态的视频信息压缩为单一、紧凑的表示形式，以用于自由格式文本查询的视频检索任务。通过运用预训练的语义嵌入、自动语音识别和光学字符识别等方法，采用协作专家模型来聚合信息，具有良好的检索性能。

Jul, 2019

本研究针对提取车辆属性相关关键词时所需大量预处理和后处理工作的问题，借鉴命名实体识别 (NER) 技术构建了一个包含 42.3k 车辆跟踪信息标注的 NL 数据集 - FindVehicle, 通过使用由 FindVehicle 预训练的文本编码器，我们提出了基于自然语言的车辆检索模型 VehicleFinder, 在 homemade 数据集上实现了 87.7% 精度和 89.4% 召回率，每次查询时间为 279.35 毫秒到 93.72 毫秒之间，比基于 Transformer 的系统快得多.

Apr, 2023