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。