论文阅读--CLIP4Clip

CLIP天生适合做retrieve的任务,拿编码好的特征做相似度计算

CLIP做视频的迁移问题在于,一般视频的处理方式是对多个帧做patch,因此得到的图像特征应该是多个帧的融合特征,但CLIP是一个文本特征对应一个图像特征,这时候该如何进行相似度计算?

第一种方法:直接取平均。缺点是没有考虑到时序的特性,例如两段视频,一段是人慢慢坐下,一段是人慢慢起身,直接取平均的话这两段视频的语义是一样的

第二章方法:用transformer或LSTM,把时序信息加进去

第三章方法:不在最后融合特征,而是将文本与视频帧丢入同一个transformer,类似于把文本特征当成cls token,最后把融合了视频与文本的特征去做相似度计算

用少量数据集时直接平均的效果最好,只有当数据量上去的时候,后面的方法效果才会提高

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值