Composed Video Retrieval

新型IMAGINE网络通过隐式语义增强视频检索

研究人员开发了IMAGINE，一个用于组合视频检索（CVR）和组合图像检索（CIR）的新型网络。该系统通过整合隐式语义信息来解决现有方法的局限性，这些信息通常通过视觉相关线索而非显式表示来传达。IMAGINE利用动态多模态原型来捕捉这些共享的潜在概念，自适应地调节视觉特征以更有效地指导检索过程。该方法在CVR和CIR任务的三个主要基准测试中均取得了最先进的性能。