基于知识细化的双上下文感知网络用于部分相关视频检索
计算机视觉与模式识别
2026-03-26 v1 人工智能
摘要
从未经剪裁的视频中检索部分相关片段仍然困难，因为面临两个持续存在的挑战：文本和视频片段之间信息密度的不匹配，以及 limited attention mechanisms 忽略语义焦点和事件关联。我们提出了 KDC-Net，即 Knowledge-Refined Dual Context-Aware Network，通过文本和视觉两个角度来解决这些问题。在文本侧，层次语义聚合模块捕捉并自适应融合多尺度短语线索，以丰富查询语义。在视频侧，动态时序注意机制采用相对位置编码和自适应时序窗口，以突出具有局部时序一致性的关键事件。此外，一种增强了时序连续性细化的动态 CLIP-based distillation 策略，确保分段感知且目标对齐的知识传递。PRVR benchmark 上的实验表明，KDC-Net 在 state-of-the-art 方法中始终表现出色，尤其在 moment-to-video 比例较低时效果更为突出。
引用
@article{arxiv.2603.23902,
title = {Knowledge-Refined Dual Context-Aware Network for Partially Relevant Video Retrieval},
author = {Junkai Yang and Qirui Wang and Yaoqing Jin and Shuai Ma and Minghan Xu and Shanmin Pang},
journal= {arXiv preprint arXiv:2603.23902},
year = {2026}
}
备注
Accepted in ICME 2026