香港科技大学与阿里巴巴合作开发了通用视频检索（GVE）模型，利用155万条多模态训练数据，突破了传统视频检索的瓶颈，展现出优越的泛化能力，推动视频检索从“专用”向“通用”转型。

本研究提出了一种PRVR框架，通过将视频中的多样上下文编码为原型，显著提升了视频检索的准确性与效率。

本研究提出了一种自动字幕增强方法，旨在解决视频文本检索中的描述不足问题。通过自我学习提升表达质量，设计了专家化字幕选择机制，实现视频与文本的匹配，增强自主适应性，并在基准测试中取得了优异成绩。

本研究提出了一种名为Segment-Proposal-Ranking (SPR)的视频时刻搜索框架，旨在提高检索效率和准确性。该框架将搜索过程分为三个独立阶段，适用于任何长度的视频。实验结果表明，SPR在降低计算成本和处理时间的同时，保持了高性能，适合大规模应用。

本研究提出了一种新的视频上下文关键词注意力模块，旨在提升视频时刻检索和高亮检测的上下文捕捉能力。实验结果表明，该方法在细粒度对齐方面显著优于现有技术。

本研究探讨了多模态模型在对齐方面的局限性，提出了一种新颖的Gramian表征对齐度量（GRAM），并证明其在高维空间中有效对齐多个模态，显著提升了视频-音频-文本检索和音频-视频分类等任务的表现。

本研究提出了一种视频检索增强生成（Video-RAG）的方法，旨在解决大型视频语言模型在长视频理解中的局限性。通过视觉对齐的辅助文本，Video-RAG显著提升了跨模态对齐效果，减少了对高质量数据和GPU资源的依赖，并在多个基准测试中表现优异。

AI视频卫士是一个多功能的实时监控系统，支持多设备接入，具备实时预警、视频检索和算法训练等功能，适合个人和商用。该项目开源，提供多种免费模型，操作简便。

本研究提出了ContextIQ系统，旨在解决视频检索中对复杂内容理解的局限性。该系统通过多模态专家生成语义视频表示，提高检索准确性，改善品牌安全与内容过滤，并增强上下文广告效果。

本研究推出了MultiVENT 2.0数据集，包含超过21.8万个新闻视频和3906个事件查询，旨在解决现有视频检索数据集的局限。研究表明，需要更强大的多模态检索系统来提升视频检索的效果。

本研究介绍了电视节目检索（TVR）数据集，包含109K个查询及其相关性标签，结合视频和字幕文本。提出了跨模态时刻定位网络（XML）和多模式字幕数据集（TVC），并探讨了多种视频检索方法，提升了检索效率和准确性，展示了在多个基准测试中的优越性能。

本文介绍了多个视频时刻检索和精彩片段检测的模型及其进展，包括QVHIGHLIGHTS数据集、UMT框架、TSQNet、Query-Dependent DETR、MH-DETR、BM-DETR和TR-DETR等。这些模型通过新机制和优化方法提升了视频分析的准确性和鲁棒性，并在多个数据集上表现优越。

本文介绍了一种交叉模态检索系统，利用图像和文本编码实现高效检索，避免了使用不同网络的缺点。该系统在多个数据集上评估，展示了在视频和图像检索中的优越性能，并在电子商务平台Shopee中显著提升了用户点击和订单量。

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。

本文介绍了多种视频时刻检索模型的进展，包括Moment Alignment Network、交叉模态交互网络和跨模态相关性匹配模型。这些模型通过结合语言查询和视频内容，提高了检索准确性和定位精度。此外，研究还提出了去偏置网络和背景感知模型，进一步增强了视频与文本的对齐效果。