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。

现有视频检索和亮点检测方法存在对齐问题，影响性能。本文提出结合显著性引导的交叉注意力机制与混合DETR架构的新方法，提升性能。使用InterVid-MR数据集预训练，在多个基准上取得先进结果，提供高效可扩展的解决方案。

本文提出了一种深度哈希目标攻击方法，通过点集优化攻击具有目标标签的对象的哈希，并提出了一种新的组件投票方案来获得锚码作为目标标签对象的哈希码集合的代表，实验表明该方法对深度哈希模型的图像和视频检索均有效。