视频时刻检索

超越基于描述文本的查询：视频时刻检索中的搜索式查询

Beyond Caption-Based Queries in Video Moment Retrieval

对做视频-语言定位的人：论文指出 DETR 式 VMR 模型在从描述性 caption 查询迁移到简短搜索查询时，会出现解码器查询坍缩（active decoder-query collapse），并给出通过增加活跃解码器查询数量来缓解的架构改法；这套诊断与改法可直接迁移到其他基于 DETR 的 grounding/定位模型上。