该研究介绍了一个名为 Chapter-Gen 的数据集，用于视频章节自动生成，提出了一个特定于视频章节生成任务的有效基线，并开发了 skip sliding window 机制来定位潜在章节并汇总本地特征，实验结果表明这种新框架具有优越性。

Sep, 2022

本文介绍了一个新的评测基准 YTSeg，着重于非结构化的语音内容，提出了一种高效的层次分割模型 MiniSeg，并对比了现有的基准方法。此外，还将文本分割的概念扩展到实际的 “智能章节切割” 任务中，包括非结构化内容的分割、生成有意义的片段标题以及模型的潜在实时应用。

Feb, 2024

我们提出了一种自动化分章节的电视新闻节目视频的新方法，通过冻结神经网络和训练的 LSTM 网络，集成了音频和视觉线索来准确生成节目片段边界，并在 500 多个电视新闻节目视频的多样数据集上进行了评估，结果表明这种创新的融合策略达到了最新性能，较高的精度率为 82% 的 IoU。因此，这种方法显著提升了电视新闻节目档案的分析、索引和存储能力，为大规模音视频资源的高效管理和利用铺平了道路。

Mar, 2024

本文提出了使用具有自然语言注释的视频数据来学习文本 - 视频嵌入。我们介绍了 HowTo100M 数据集，该数据集包含了源自于 1.22 百万个讲解视频的 1.36 亿段视频剪辑，能够用于不同领域的学习，证明结果表明，该嵌入方式适用于不同的数据集和领域。

Jun, 2019

使用神经推理和规则匹配的混合方法，预测长篇文本的章节边界，通过剔除结构线索并利用预测数据集，我们发现切割和神经方法可以精确地分割小说的章节，并揭示了小说章节结构的有趣历史趋势。

Nov, 2020

本文介绍了 InternVid，一个大规模的以视频为中心的多模态数据集，旨在学习强大且可转移的视频 - 文本编码，在多模态理解和生成方面进行研究。我们自动构建了这个高质量的视频 - 文本数据集，并使用大型语言模型，展示了其在学习大规模视频 - 语言编码中的效力。

Jul, 2023

该论文介绍了一个由 4800 个可视实体组成，由 8 百万个视频（500k 小时的视频）组成的最大多标签视频分类数据集 YouTube-8M，并通过训练各种分类模型和评估它们来作为基准。

Sep, 2016

本文介绍了一个基于大规模数据集的序列 - 序列网络，能够充分利用视频的长期时空信息进行分割，在 YouTube-VOS 测试集上取得了最佳结果，在 DAVIS 2016 上与现有最先进方法相比也有可比性。

Sep, 2018

T2V 生成在最近受到了很大的关注，然而仍面临两个重要的挑战：缺乏精确的开源高质量数据集，以及未充分利用文本信息。为了解决这些问题，我们介绍了 OpenVid-1M，一个精确的高质量数据集，以及一种能够从视觉标记和文本标记中提取结构信息和语义信息的新型多模态视频扩散变换器（MVDiT）的提议。广泛的实验和消融研究验证了 OpenVid-1M 优于以前数据集的优越性和我们的 MVDiT 的有效性。

Jul, 2024

本文介绍了一个新问题：故事保留的长视频截断，提供了 TruNet 数据集，旨在开发和训练神经架构来解决这个问题，包括两个组件：BAN 和 FF-LSTM。这个问题不同于传统的视频摘要问题，每个子视频都需要保持一个连贯和完整的故事，我们的提出的框架在量化和用户研究中均优于现有方法。

Oct, 2019