视频描述

英文：Video Captioning　分类：multimodal

基本释义

为视频生成自然语言描述/摘要的任务，要求理解帧间时序、动作与事件演化，比图像描述更具挑战。

技术要点

技术：时空特征（3D CNN/视频 Transformer）+语言模型、多帧采样与注意力、视频大模型（直接输入视频生成描述）；难点：长视频信息压缩、事件边界、因果链；评测：MSVD、MSR-VTT、ActivityNet。

应用场景

用于视频检索（内容理解索引）、监控摘要、短视频自动标题与无障碍辅助；视频描述是"看视频写文章"的底层能力。

返回AI百科目录 · AI最前沿首页

相关词条：扩散模型 · 视觉编码器 · 语音合成 · 指代表达理解 · 视频编辑