高效且有效的文本到视频检索：基于粗粒度到细粒度的视觉表征学习

本研究提出了一种文本到视频检索方法，通过多粒度视觉特征学习和二阶段检索体系结构，在检索效果和效率之间取得平衡。采用参数无关的文本门控交互块和额外的Pearson约束来优化跨模态表示学习，实现了与当前最先进方法相媲美的性能，速度快近50倍。