論文の概要: Text-Video Retrieval With Global-Local Contrastive Consistency Learning

• arxiv url: http://arxiv.org/abs/2605.17959v1
• Date: Mon, 18 May 2026 07:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.943933
• Title: Text-Video Retrieval With Global-Local Contrastive Consistency Learning
• Title（参考訳）: グローバル・ローカル・コントラスト・コントラスト・一貫性学習によるテキスト・ビデオ検索
• Authors: Xiaolun Jing, Xinxing Yang, Genke Yang,
• Abstract要約: 本稿では,Global-Local Contrastive Consistency Learning (GLCCL) というシンプルな手法を提案する。 具体的には,パラメータフリーなGlobal-Local Interaction Module (GLIM) を設計し,テキスト誘導方式でセマンティックなフレームとビデオの特徴を生成する。
• 参考スコア（独自算出の注目度）: 3.9791266970920565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-video retrieval aims to find the most semantically similar videos with given text queries. However, since videos contain more diverse content than texts, the main semantics expressed by each text-video pair is often partially relevant. The primary methods involve the utilization of language-video attention module to align texts and videos. Though effective, this paradigm inevitably introduces prohibitive computational overhead, resulting in inefficient retrieval. In this paper, we propose a simple yet effective method called Global-Local Contrastive Consistency Learning (GLCCL) to achieve texts and videos semantics alignment. Specifically, we design a parameter-free Global-Local Interaction Module (GLIM) to generate semantic-related frame and video features in a text-guided manner. Furthermore, a Contrastive Score Consistency (CSC) loss is developed to promote consistency learning among different scores on positive pairs and suppress consistency learning on negative pairs. Empirical evidence suggests that CSC loss provides the model with robust discriminative power between positives and hard negatives. Extensive experiments on three benchmark datasets, including MSR-VTT, DiDeMo and VATEX, demonstrate the effectiveness and superiority of our approach.
• Abstract（参考訳）: テキストビデオ検索は、与えられたテキストクエリで最もセマンティックに類似したビデオを見つけることを目的としている。 しかし、ビデオはテキストよりも多様なコンテンツを含んでいるため、各テキストとビデオのペアによって表現される主要な意味は部分的に関連していることが多い。 主な手法は、テキストや動画をアライメントするための言語ビデオアテンションモジュールの利用である。 効果的ではあるが、このパラダイムは必然的に計算オーバーヘッドを禁止し、非効率な検索をもたらす。 本稿では,Global-Local Contrastive Consistency Learning (GLCCL) というシンプルな手法を提案する。 具体的には,パラメータフリーなGlobal-Local Interaction Module (GLIM) を設計し,テキスト誘導方式でセマンティックなフレームとビデオの特徴を生成する。 さらに、正ペアの異なるスコア間の整合性学習を促進し、負ペアの整合性学習を抑制するために、コントラストスコア整合性(CSC)損失を開発する。 実証的な証拠は、CSCの損失は正と強負の間の堅牢な識別力を持つモデルをもたらすことを示唆している。 MSR-VTT、DiDeMo、VATEXを含む3つのベンチマークデータセットに対する大規模な実験は、我々のアプローチの有効性と優位性を示している。

関連論文リスト

• NAVERO: Unlocking Fine-Grained Semantics for Video-Language Compositionality [52.08735848128973]
  本研究では,映像言語モデル(VidL)のオブジェクト間の合成,属性,行動,それらの関係を理解する能力について検討する。 負のテキストを付加したビデオテキストデータを用いて合成理解を向上させるNAVEROと呼ばれるトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-18T15:27:06Z)
• Text-Video Retrieval with Global-Local Semantic Consistent Learning [122.15339128463715]
  我々は,シンプルで効果的なグローバル局所意味的一貫性学習(GLSCL)を提案する。 GLSCLは、テキストビデオ検索のためのモダリティをまたいだ潜在共有セマンティクスを活用する。 本手法はSOTAと同等の性能を実現し,計算コストの約220倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-05-21T11:59:36Z)
• Dual-Modal Attention-Enhanced Text-Video Retrieval with Triplet Partial Margin Contrastive Learning [35.404100473539195]
  テキストビデオ検索は、関係のないものよりも関連のあるテキストや動画をランク付けすることを目的としている。 最近のコントラスト学習手法は,テキストビデオ検索に有望な結果を示している。 本稿では2つの新しい手法を用いてコントラスト学習を改善する。
  論文  参考訳（メタデータ） (2023-09-20T06:08:11Z)
• Expectation-Maximization Contrastive Learning for Compact Video-and-Language Representations [54.62547989034184]
  我々は,コンパクトなビデオ・言語表現を学習するために,予測最大化コントラスト学習(EMCL)を提案する。 具体的には、期待最大化アルゴリズムを用いて、潜在空間のコンパクトな基底集合を求める。 3つのベンチマークテキスト・ビデオ検索データセットの実験により、EMCLはより識別力のあるビデオ・言語表現を学習できることが証明された。
  論文  参考訳（メタデータ） (2022-11-21T13:12:44Z)
• Video Understanding as Machine Translation [53.59298393079866]
  我々は、単一の統合フレームワークを用いて、様々なダウンストリームビデオ理解タスクに取り組む。 映像分類(EPIC-Kitchens)、質問応答(TVQA)、キャプション(TVC, YouCook2, MSR-VTT)など、いくつかのダウンストリームタスクにおいて、現状よりもパフォーマンスの向上が報告されている。
  論文  参考訳（メタデータ） (2020-06-12T14:07:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。