U-CESE: 统一基于 Clip 的事件搜索引擎用于 AI 挑战 HCMC 2025

从大规模视频数据集中检索事件因其复杂的时序、空间和多模态信息而具有挑战性。本文提出 U-CESE，我们的解决方案用于 AI 挑战 HCMC 2025，这是一个用于多模态事件检索的统一 Clip-based 事件搜索引擎。基于 CESE，U-CESE 将其三个模块集成到单一的 cohesive 框架中，确保跨查询类型的一致处理和检索。核心组件是统一裁剪算法，将独立的裁剪算法合并为一个高效的管道。为处理大规模数据，我们提出 DAKE，这是一种轻量级、无训练的关键帧提取方法，使用 JPEG 文件大小变化来识别显著的场景变化。最后，我们引入 ReCap，受循环神经网络启发的时序一致性描述框架，生成详细且情境感知的文本描述。实验表明，U-CESE 在大规模多模态事件检索中提供了稳健、一致且高效的性能。