基于频域增强的跨模态视频敏感事件检索方法和系统

本发明属于跨模态视频时刻定位技术领域，涉及一种基于频域增强的跨模态视频敏感事件检索方法和系统。该方法包括：获取文本和视频两个模态的数据，将两个模态的数据分别进行编码，得到两个模态的特征；通过快速傅里叶变换分别将两个模态的特征投影至频域，并实现视频模态的特征在频域中的增强，得到频域增强的视频特征；通过高斯分布为频域增强的视频特征生成正负候选视频段，分别表示最接近检索请求的和最不接近检索请求的候选视频段，选取最接近检索请求的候选视频段作为检索结果，从而实现跨模态的视频时刻定位；进而将正负候选视频段进行多尺度对比学习，提高正负候选视频段的生成质量，并提高跨模态视频敏感事件检索的准确率。