基于深度学习的视频-文本跨模态搜索.pdf

？   摘 要 互联网 日益 呈 。 让 随着 的 发展， 多媒体 内容 爆发式増长 为了 用户能 在 现 够 海 体 迅速、 求 多媒 数据中 加 准确 找到他们需 的内容， 多媒体内容的搜索 量 更 地 针对 － 越 。 搜 技术受 来 广 的 频 文本的跨模 搜索 媒体 索 中 频 到越 泛 关注 视 态 是多 针对视 两 一个 。 ： 予一 和文本这 个模 的 特定搜索任务 该任务 旨在 给 个文本査询对象搜 态 一 。 应 ， 对 对应 索出对 的视频 或是给予 个视频查询 象搜索出 的文本 其任务难点在 对视 理解 视 于 频和文本 种模 的时序信息的 ， 以及如何构建 频和文本之间的跨 两 态 模 匹配 系。 态 关 － 本 度提 了 度 习 的跨模 频 本的搜 法： 文从两个角 出 两种 于 学 视 文 索方 基 深 态 － １． 堆 积 度编 网络的跨模 频 文本搜索。 现有的 法忽略了 基于 叠卷 深 码 态视 方 一 距 ， 尺 频和 本数据中的长 离依赖关系 该方法提出了 种堆叠多 度扩张 积模 视 文