文本到视频检索性能瓶颈实证研究

Maria-Eirini Pegia 等作者发表研究论文，系统评估了14种先进文本到视频检索方法在3个常用数据集上的表现，分析字幕语言特征与模型性能的关系，并考察跨数据集泛化能力。研究发现，简短、清晰的字幕通常更容易获得较高召回率，而复杂事件、多步骤活动和细粒度场景描述仍是现有模型的主要难点。注意力驱动架构在处理时间依赖和多步骤查询方面表现更好。 研究还发现，规模更大、内容更多样的字幕集合有助于提升跨数据集泛化能力，但生成式字幕并不能稳定提高检索准确率。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。