本文研究了基于视频的语言表示的大规模MAD数据集，并提出了一种新的指导模型的方法，以提高基于句子的方法在长视频上的表现。该方法在MAD数据集上获得了更好的效果。

基于多模态信息的时间句子定位在长视频中的基础调度
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证