本文介绍了一种基于树增强跨模态编码的方法，以提高视频检索性能。通过双编码器和跨注意力变压器，结合视觉与文本特征，提升了检索的准确性和可扩展性。此外，研究提出了全局-局部对齐方法和HiSE模型，优化了文本到视频的检索任务，实验结果在多个基准测试中表现优越。

本文设计了一种高效的全局-局部对齐方法，结合多模式视频序列和文本特征，提升视频检索性能。研究利用CLIP模型获取视频表示，提出动态提示调整方法和基于回归模型的双模态交互，均在多个基准测试中取得了先进效果。