基于图文匹配的视频片段检索方法、装置、设备及介质

本申请提供一种基于图文匹配的视频片段检索方法、装置、设备及介质，涉及视频检索技术领域。本申请方法通过将视频数据切分成多个视频块并分别提取特征，增强了对视频内容的细粒度理解，从而提高了检索的准确性。利用特征编码模型对检索文本和视频块进行编码处理，加深了文本描述与视频内容之间的语义关联，从而提升匹配的准确性。通过多头多尺度检测算法对视频块进行检索，可以多维度地评估视频块与文本的匹配度，提高了匹配的准确性。通过对比学习算法计算视频块与文本的特征相似度，并选择相似度最高的视频块作为目标视频片段，能够确保最终检索结果的精确度，从而显著提升了视频片段检索的准确性和效率。