基于文本查询和条件建模的个性化视频摘要

该论文提出了一种基于深度视频特征和聚类的视频摘要技术，旨在更高效地生成互联网视频的概览。

研究利用神经网络诱导的文本视觉语义嵌入空间，将查询相关汇总作为视频帧子集选择问题进行提出。

提出了一种基于用户偏好查询的视频摘要模型，并利用基于概念注释的评估方法来解决视频摘要的性能评价问题。

介绍了一种基于监督学习的、端到端深度学习的方法，用于生成与文本查询相关联的视频摘要。

CLIP-It是一种单一框架用于通用和基于查询的视频摘要，表现出显著的优异性能。

提出了一种基于深度神经网络的视频摘要方法，使用多模态自监督学习框架获取视频的语义表示。

利用自我监督和伪标记来预先训练深度模型，改进视频摘要任务的性能。

提出了一种高效的纯文本视频摘要方法，能够以高数据效率实现有竞争力的准确性。

基于对人类生成的视频摘要的洞察，提出了一种新的视频摘要方法，利用条件建模的视角。

提出了一种利用视频数据结构和信息生成信息摘要的无监督方法，改进评估流程。