arXiv · cs.LG· Maria-Eirini Pegia, Dimitrios Stefanopoulos, Bj\"orn {\TH}\'or J\'onsson, Anastasia Moumtzidou, Ilias Gialampoukidis, Stefanos Vrochidis, Ioannis Kompatsiaris·· 3 小时前
文本到视频检索为何陷入性能平台期：一项综合实证与语言学分析
Understanding the Performance Plateau in Text-to-Video Retrieval: A Comprehensive Empirical and Linguistic Analysis
AI 导读
研究在统一预处理与评测框架下，对 3 个常用数据集上的 14 种 SOTA 文本到视频检索方法进行了评测。结果显示，描述单一动作或颜色属性等简短清晰的 caption 召回率更高，而复杂事件、多步活动和细粒度场景描述对所有现有模型仍具挑战性。注意力驱动架构更擅长处理时序依赖或多步查询，双编码器与多模态融合模型则主要在简单或单类别 caption 上表现良好。
来源：arXiv · cs.LG · arxiv.org