文本到视频检索为何陷入平台期：14种方法评测

Maria-Eirini Pegia 等作者发表研究，在统一预处理与评测框架下，对 3 个常用数据集上的 14 种当前最优（SOTA）文本到视频检索方法进行评测，试图解释该任务为何陷入性能平台期。 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；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。

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。