论文作者：Ziyang Wang,Yi-Lin Sung,Feng Cheng,Gedas Bertasius,Mohit Bansal

作者单位：UNC Chapel Hill

论文链接：http://arxiv.org/abs/2309.10091v1

项目链接：https://github.com/Ziyang412/UCoFiA

内容简介：

1）方向：视频文本检索

2）应用：视频文本检索

3）背景：传统的视频文本检索方法在检索正确的视频时存在挑战，需要能够理解高级（场景）和低级（物体）视觉线索以及它们与文本查询的关系。

4）方法：本文提出一种统一的粗到细对齐模型UCoFiA，该模型在不同粒度级别上捕捉跨模态相似性信息，并应用交互式相似性聚合模块（ISA）来考虑不同视觉特征的重要性，以获取每个粒度的相似性得分。最后，应用Sinkhorn-Knopp算法对每个级别的相似性进行归一化，以解决不同级别上的过度和不足表示问题。

5）结果：UCoFiA在多个视频文本检索基准上优于先前的基于CLIP的方法，在MSR-VTT、Activity-Net和DiDeMo上的文本到视频检索R@1分别提高了2.4%、1.4%和1.3%。代码可在https://github.com/Ziyang412/UCoFiA上公开获取。