视频理解中的查询引导定位：QDETRv、TOViT 与 MATR 三项研究

该论文研究查询引导的视频定位三类任务：物体级、关系级与时刻级。物体级提出 QDETRv 与 TOViT 实现视频中未见物体的单样本与少样本检测；关系级引入视频少样本指称关系，用元学习关系网络优化 T-partite 随机场；时刻级提出 MATR，用双阶段 Dynamic Time Warping 做视频到视频时刻检索，并可扩展至文本到视频检索。