缩小差距：一个统一的视频理解框架用于时刻检索和重点检测
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为HAMMER的HierArchical Multi-Modal EncodeR模型，通过编码视频的粗略片段和细粒度帧级别，从多个子任务中提取不同尺度的信息，解决了未处理和未分段视频中定位未定义段的问题。实验结果表明，该方法优于以前的方法和强基线，是该任务的新的最佳方法。
🏷️
