文本-影片檢索的一對多對齊範式

TokenBinder提出了一種創新的兩階段文本-影片檢索框架,採用一對多的粗到細對齊範式,模仿人類認知過程中識別大型數據集中特定物品的方式,有效捕捉候選影片之間的細微差異,從而提高檢索準確性。