RAPID：基于文本检索的并行推理草案

使用文本查询检索视频事件的任务正变得越来越具挑战性，这源于多媒体内容的快速增长。现有的文本视频事件检索方法往往过度关注对象级描述，忽视了上下文信息的关键作用。这一限制在查询缺乏足够上下文（如缺少位置细节或背景元素模糊）时尤为突出。为解决这些挑战，我们提出一种新系统，称为 RAPID（Retrieval-Augmented Parallel Inference Drafting），该系统利用大语言模型（LLM）和基于提示的学习技术，对用户查询进行语义纠正和丰富，以获取相关上下文信息。这些丰富后的查询随后通过并行检索处理，随后进行评估步骤，以选择与原始查询高度吻合的最相关结果。通过我们自行开发的数据集进行大量实验，RAPID 在处理上下文不完整查询方面显著优于传统检索方法。我们的系统通过参与 2024 年ho chi minh city AI 挑战赛，验证了其在速度和准确性方面的优势，成功检索了超过300小时视频中的事件。进一步的评估将 RAPID 与赛事组织者提出的基线方法进行比较，证明了其在有效性和鲁棒性方面的优势，凸显了该方法的强大和可靠性。