Tag · 1 篇
EagleNet: Energy-Aware Fine-Grained Relationship Learning Network for Text-Video Retrieval
用文本候选与帧构建文本-帧图来聚合出带帧上下文信息的增强文本嵌入，并用能量匹配建模真实文本-视频对分布，这一「图聚合+能量打分」思路可迁移到其他跨模态检索与图文对齐任务中。