仅扫描一次：长视频中快速时间定位的端到端框架

视频时间定位旨在找出与查询描述匹配的视频片段。尽管近期在短视频（如数分钟）上取得进展，长视频（如数小时）中的时间定位仍处于早期阶段。应对该挑战的常用做法是采用滑动窗口，但因窗口内帧数有限，效率低且缺乏灵活性。本工作中，我们提出一种用于快速时间定位的端到端框架，能够以\textbf{单次}网络执行建模长达数小时的视频。我们的流程以由粗到精方式构建：首先从非重叠视频片段（即锚点）提取上下文知识，随后以响应查询强烈的锚点补充详细内容知识。除极高的流程效率外，本方法的另一优势是捕捉长程时间关联的能力，这得益于将整段视频作为整体建模，从而有助于更精准的定位。实验结果表明，在长视频数据集 MAD 与 Ego4d 上，我们的方法显著优于当前最优方法，并分别取得\textbf{14.6$\times$} / \textbf{102.8$\times$} 更高效率。项目见 \url{https://github.com/afcedf/SOONet.git}。