SimBase：一种用于时序视频定位的简单基线

本文提出了 SimBase，一种用于时序视频定位的简单而有效的基线方法。尽管近期在时序定位方面取得的进展带来了令人印象深刻的性能，但也推动了网络架构趋向更高的复杂性，涌现出多种方法来（1）捕捉时序关系和（2）实现有效的多模态融合。相比之下，本文探讨了一个问题：一种简化的方法能有多有效？为了进行研究，我们设计了 SimBase，该网络利用轻量级的一维时序卷积层，而非复杂的时序结构。对于跨模态交互，SimBase 仅采用逐元素乘积，而非复杂的多模态融合。值得注意的是，SimBase 在两个大规模数据集上取得了最先进的结果。作为一个简单而强大的基线，我们希望 SimBase 能激发新的思路，并简化未来在时序视频定位领域的评估。