- …
- …
#69
summarized by : Ryuichi Nakahara
どんな論文か？
アテンションを用いた高性能なテキスト・動画検索。
新規性
CLIPを用いてテキストとビデオフレームを同じ潜在空間に変換し、アテンションを用いることで、テキストと動画内のフレームを直接検索。
動画全体ではなく動画内の個々のフレームに対して検索した点が新規。
結果
3つのデータセットでSOTA. MSR-VTT 、MSVD、LSMDC 。
その他（なぜ通ったか？等）
プログラム公開（しかしリンクが切れている）
バックボーンはCLIP。基盤モデル強し。
抄録にCLIPの記載がない。それは言及するべき。
- …
- …