محققان در مطالعه جدید خود راهکار نوآورانهای به نام «DAB» را معرفی کردهاند که دنیای جستجوی متنبهویدیو (Text-to-Video Retrieval) را متحول میکند.
تفاوت اصلی این روش با مدلهای قبلی چیست؟
به جای تطبیقهای ساده و قطعی، DAB دادههای متن و ویدیو را به صورت «توزیعهای آماری» (گوسی) مدلسازی میکند تا ابهام در محتوای بصری را به درستی درک کند. این سیستم با استفاده از یک فرآیند تقطیر الهامگرفته از مدلهای انتشار (Diffusion)، دقت جستجو را به شدت افزایش داده و نتایج بسیار دقیقتری را روی بنچمارکهای معروف ارائه میدهد.
این یعنی در آینده، هوش مصنوعی بسیار بهتر از قبل متوجه میشود که شما دقیقاً به دنبال چه صحنهای در ویدیوهای طولانی هستید! 🧠✨
منبع: arXiv Computer Vision