【综述专栏】视频语言如何建模？NUS最新《视频-语言理解：从模型架构、模型训练和数据角度》综述！！！

文章预览

在 科 学 研 究 中 ， 从 方 法 论 上 来 讲 ， 都 应 “ 先 见 森 林 ， 再 见 树 木 ” 。 当 前 ， 人 工 智 能 学 术 研 究 方 兴 未 艾 ， 技 术 迅 猛 发 展 ， 可 谓 万 木 争 荣 ， 日 新 月 异 。 对 于 A I 从 业 者 来 说 ， 在 广 袤 的 知 识 森 林 中 ， 系 统 梳 理 脉 络 ， 才 能 更 好 地 把 握 趋 势 。 为 此 ， 我 们 精 选 国 内 外 优 秀 的 综 述 文 章 ， 开 辟 “ 综 述 专 栏 ” ， 敬 请 关 注 。 人类使用多种感官来理解环境。视觉和语言是其中两个最重要的感官，因为它们使我们能够轻松地交流思想并感知周围的世界。近年来，人们对创建具有人类感官的视频-语言理解系统产生了浓厚的兴趣， 因为视频-语言对可以模拟我们的语言媒介和具有时间动态的视觉环境。在这篇综述中，我们回顾了这些系统的关键任务，并突出了相关的挑战 。基于这些 ………………………………