Buchumschlag

Towards Holistic Language-video Representation: the language model-enhanced MSR-Video to Text Dataset

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Yuchen, Duan, Yingxuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Multimedia Computer Vision and Pattern Recognition Information Retrieval
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

GenState-AI: State-Aware Dataset for Text-to-Video Retrieval on AI-Generated Videos
von: Li, Minghan, et al.
Veröffentlicht: (2026)

VKIE: The Application of Key Information Extraction on Video Text
von: An, Siyu, et al.
Veröffentlicht: (2023)

Joint-Dataset Learning and Cross-Consistent Regularization for Text-to-Motion Retrieval
von: Messina, Nicola, et al.
Veröffentlicht: (2024)

Representation Discrepancy Bridging Method for Remote Sensing Image-Text Retrieval
von: Ning, Hailong, et al.
Veröffentlicht: (2025)

Rebalancing Contrastive Alignment with Bottlenecked Semantic Increments in Text-Video Retrieval
von: Xiao, Jian, et al.
Veröffentlicht: (2025)

Text Proxy: Decomposing Retrieval from a 1-to-N Relationship into N 1-to-1 Relationships for Text-Video Retrieval
von: Xiao, Jian, et al.
Veröffentlicht: (2024)

Towards Identity-Aware Cross-Modal Retrieval: a Dataset and a Baseline
von: Messina, Nicola, et al.
Veröffentlicht: (2024)

Toward Automatic Relevance Judgment using Vision--Language Models for Image--Text Retrieval Evaluation
von: Yang, Jheng-Hong, et al.
Veröffentlicht: (2024)

Dynamic Multimodal Fusion via Meta-Learning Towards Micro-Video Recommendation
von: Liu, Han, et al.
Veröffentlicht: (2025)

Interactive Multi-Turn Retrieval for Health Videos
von: Wu, Chengzheng, et al.
Veröffentlicht: (2026)

An Empirical Study of Excitation and Aggregation Design Adaptions in CLIP4Clip for Video-Text Retrieval
von: Jing, Xiaolun, et al.
Veröffentlicht: (2024)

Efficient Self-Supervised Video Hashing with Selective State Spaces
von: Wang, Jinpeng, et al.
Veröffentlicht: (2024)

HLFormer: Enhancing Partially Relevant Video Retrieval with Hyperbolic Learning
von: Li, Jun, et al.
Veröffentlicht: (2025)

Ambiguity-Aware and High-Order Relation Learning for Multi-Grained Image-Text Matching
von: Chen, Junyu, et al.
Veröffentlicht: (2025)

Learning Partially-Decorrelated Common Spaces for Ad-hoc Video Search
von: Hu, Fan, et al.
Veröffentlicht: (2025)

Imagine Before Concentration: Diffusion-Guided Registers Enhance Partially Relevant Video Retrieval
von: Li, Jun, et al.
Veröffentlicht: (2026)

AutoSSVH: Exploring Automated Frame Sampling for Efficient Self-Supervised Video Hashing
von: Lian, Niu, et al.
Veröffentlicht: (2025)

VisTopics: A Visual Semantic Unsupervised Approach to Topic Modeling of Video and Image Data
von: Lokmanoglu, Ayse D, et al.
Veröffentlicht: (2025)

Self-distilled Dynamic Fusion Network for Language-based Fashion Retrieval
von: Wu, Yiming, et al.
Veröffentlicht: (2024)

Benchmarking Multimodal Large Language Models for Missing Modality Completion in Product Catalogues
von: Fu, Junchen, et al.
Veröffentlicht: (2026)

Understanding the Performance Plateau in Text-to-Video Retrieval: A Comprehensive Empirical and Linguistic Analysis
von: Pegia, Maria-Eirini, et al.
Veröffentlicht: (2026)

UCDR-Adapter: Exploring Adaptation of Pre-Trained Vision-Language Models for Universal Cross-Domain Retrieval
von: Jiang, Haoyu, et al.
Veröffentlicht: (2024)

Magic Tokens: Select Diverse Tokens for Multi-modal Object Re-Identification
von: Zhang, Pingping, et al.
Veröffentlicht: (2024)

Any2Any: Incomplete Multimodal Retrieval with Conformal Prediction
von: Li, Po-han, et al.
Veröffentlicht: (2024)

Modality Curation: Building Universal Embeddings for Advanced Multimodal Information Retrieval
von: Kong, Fanheng, et al.
Veröffentlicht: (2025)

CLOSP: A Unified Semantic Space for SAR, MSI, and Text in Remote Sensing
von: Cambrin, Daniele Rege, et al.
Veröffentlicht: (2025)

A Unified Optimal Transport Framework for Cross-Modal Retrieval with Noisy Labels
von: Han, Haochen, et al.
Veröffentlicht: (2024)

Enabling Collaborative Parametric Knowledge Calibration for Retrieval-Augmented Vision Question Answering
von: Deng, Jiaqi, et al.
Veröffentlicht: (2025)

Love Me, Love My Label: Rethinking the Role of Labels in Prompt Retrieval for Visual In-Context Learning
von: Luo, Tianci, et al.
Veröffentlicht: (2026)

A Comprehensive Survey of Knowledge-Based Vision Question Answering Systems: The Lifecycle of Knowledge in Visual Reasoning Task
von: Deng, Jiaqi, et al.
Veröffentlicht: (2025)

CMIE: Combining MLLM Insights with External Evidence for Explainable Out-of-Context Misinformation Detection
von: Li, Fanxiao, et al.
Veröffentlicht: (2025)

From Swath to Full-Disc: Advancing Precipitation Retrieval with Multimodal Knowledge Expansion
von: Wang, Zheng, et al.
Veröffentlicht: (2025)

The CASTLE 2024 Dataset: Advancing the Art of Multimodal Understanding
von: Rossetto, Luca, et al.
Veröffentlicht: (2025)

Revisiting Uncertainty: On Evidential Learning for Partially Relevant Video Retrieval
von: Li, Jun, et al.
Veröffentlicht: (2026)

Multi-Modal Cross-Domain Alignment Network for Video Moment Retrieval
von: Fang, Xiang, et al.
Veröffentlicht: (2022)

MIRe: Enhancing Multimodal Queries Representation via Fusion-Free Modality Interaction for Multimodal Retrieval
von: Ju, Yeong-Joon, et al.
Veröffentlicht: (2024)

GMMFormer: Gaussian-Mixture-Model Based Transformer for Efficient Partially Relevant Video Retrieval
von: Wang, Yuting, et al.
Veröffentlicht: (2023)

PhotoBench: Beyond Visual Matching Towards Personalized Intent-Driven Photo Retrieval
von: Xu, Tianyi, et al.
Veröffentlicht: (2026)

YouTube Video Analytics for Patient Engagement: Evidence from Colonoscopy Preparation Videos
von: Guo, Yawen, et al.
Veröffentlicht: (2024)

A Matter of Time: Revealing the Structure of Time in Vision-Language Models
von: Tekaya, Nidham, et al.
Veröffentlicht: (2025)