摘要

文本引导的视频时间定位（VTG）旨在根据文本描述在未剪辑的视频中定位相关的片段，包括两个子任务：时刻检索（MR）和高光检测（HD）。尽管先前的方法已经取得了令人瞩目的成果，但检索短视频片段仍然具有挑战性。这主要是由于依赖稀疏且有限的解码器查询，这些查询极大地限制了预测的准确性。此外，次优结果往往是因为先前的方法基于孤立的预测进行排序，忽略了更广泛的视频上下文。为了解决这些问题，我们引入了FlashVTG框架，该框架包含一个时间特征层叠（TFL）模块和一个自适应评分精炼（ASR）模块。TFL模块替代了传统的解码器结构，以捕捉多个时间尺度上的细微视频内容变化；而ASR模块通过整合相邻时刻和多时间尺度特征的上下文来改进预测排序。大量实验表明，FlashVTG在四个广泛使用的数据集上均实现了最先进的性能，无论是MR还是HD。具体而言，在QVHighlights数据集上，它将MR的mAP提高了5.8%，将HD的mAP提高了3.3%。对于短时刻检索，FlashVTG将mAP提升至之前最佳性能的125%。所有这些改进都是在不增加训练负担的情况下实现的，突显了其有效性。我们的代码可在https://github.com/Zhuo-Cao/FlashVTG 获取。