video-text retrieval | BriefGPT

关键词video-text retrieval

搜索结果 - 26

CLIP4Clip: CLIP 耦合视频检索的实证研究
本研究提出了 CLIP4Clip 模型，将 CLIP 模型的知识以端到端的方式迁移到视频 - 文本检索上，从多个角度对其表现进行实验证明其在各种数据集上比其他模型表现更好，同时释放其代码供学术界使用。
PDF3 years ago
ICCV凝固的时间：一种用于端到端检索的联合视频和图像编码器
本研究目标是视频文本检索 - 特别是一种联合嵌入，可以实现高效的文本到视频检索。作者们提出了一种端到端可训练的模型，旨在利用大规模的图像和视频字幕数据集。该模型是近期 ViT 和 Timesformer 框架的改进扩展，包括时间和空间方面的
PDF3 years ago
跨模态视频文字检索的记忆增强嵌入学习
本研究提出了一种新颖的记忆增强嵌入学习（MEEL）方法，构建了两种记忆模块，交叉模态记忆模块和文本中心记忆模块，用于跨模态视频文本检索任务，解决了局部负样本和文本描述多样性的问题。在 MSR-VTT 和 VATEX 两个基准数据集上进行的实
PDF3 years ago
HiT：层次化动量对比视频 - 文本检索的 Transformer 模型
提出了一种新的名为 Hierarchical Transformer (HiT) 的方法，其中包括 Hierarchical Cross-modal Contrastive Matching 和 Momentum Cross-modal C
PDF3 years ago
CVPR学习视觉语义嵌入的最佳池化策略
Visual Semantic Embedding 使用多模态特征进行复杂的嵌入，但该研究发现，全局池化函数（例如最大池化）的简单选择优于这些复杂的模型，因此，它们提出了一个名为 GPO 的广义池化运算符来自动适应不同特征的最佳池化策略，并
PDF4 years ago
CVPR跨模式检索的多义词视觉语义嵌入
本文介绍了多义实例嵌入网络（PIE-Nets），通过多头自注意力和残差学习，结合全局上下文和局部特征计算实例的多个不同表示形式，以解决当前方法无法有效处理多义实例的问题，并且将其应用于图像文本检索和更具挑战性的视频文本检索，同时发布了一个用
PDF5 years ago