Cross-modal

Cross-modal Moment Localization in Videos 摘要：在本文中，我们探讨了时间时刻定位问题，即在未经剪辑的视频中定位自然语言查询所描述的视频时刻。这是一项通用但极具挑战性的视觉语言任务，因为它不仅需要对时刻进行定位，还需要对文本时间信息（如 "第一次 "和 "离开 ......