本文提出了一种新的动作检测方法，利用预训练的图像语言模型和时空上下文信息生成文本特征，解决了现有方法在未见动作类别上的泛化能力不足的问题。实验结果表明该方法在多个数据集上表现优异，有望在真实场景中推动动作检测技术的应用。

CLIP2Video使用预训练的图像语言模型，通过两个具体阶段的框架，在相对较少的数据集上进行训练，实现了最新的检索准确性记录。

CLIP2Video网络采用预训练的图像语言模型，在相对较少的数据集上进行训练，并通过两个具体阶段的框架来提升多模态相关性。在多个基准测试中实现了最新的检索准确性记录。