摘 要：视频时刻检索作为下游任务，依赖预训练模型提取特征的能力。近年的研究表明，以CLIP为代表的图像-语言预训练模型在大规模数据集下能学习到有效且通用的语义知识，从而在图像分类等任务上表现出强大的迁移能力（试读）...
登录
