arXiv · 机器人与计算机视觉· Maria-Eirini Pegia, Dimitrios Stefanopoulos, Bj\"orn {\TH}\'or J\'onsson, Anastasia Moumtzidou, Ilias Gialampoukidis, Stefanos Vrochidis, Ioannis Kompatsiaris·· 18 天前AI 评分28
Text-to-Video Retrieval 性能瓶颈分析:实证与语言学视角的综合研究
Understanding the Performance Plateau in Text-to-Video Retrieval: A Comprehensive Empirical and Linguistic Analysis
AI 导读
该研究评估了 14 种最先进检索方法在 3 个数据集上的表现,发现简短清晰的单动作或颜色属性描述召回率更高,而复杂事件或多步骤活动仍是现有模型的挑战。注意力驱动架构能更好处理时间依赖查询,双编码器及多模态融合模型则主要擅长简单或单类别提示词。研究揭示了数据集因素、基准挑战及查询内容与模型架构间的相互作用,为开发更有效的文本到视频检索系统提供指导。
来源:arXiv · 机器人与计算机视觉 · arxiv.org