本文介绍了一种端到端可训练的理解网络，结合语言和视觉编码器，提出空间感知动态滤波器以有效捕获对象空间信息。通过生成的字幕网络增强语言与视觉模块的通信，评估结果显示该方法在多个数据集上表现优异，超越现有技术。

本文提出了一种通过自然语言查询解决长视频中定位时间点问题的新方法。该方法使用动态滤波器、新的损失函数和软标签等关键组件，实现了语言到视觉的转换，并在两个基准数据集上表现出色。