A Study of a Cross-modal Interactive Search Tool Using CLIP and Temporal Fusion
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3A10469910" target="_blank" >RIV/00216208:11320/23:10469910 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-27077-2_31" target="_blank" >https://doi.org/10.1007/978-3-031-27077-2_31</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-27077-2_31" target="_blank" >10.1007/978-3-031-27077-2_31</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Study of a Cross-modal Interactive Search Tool Using CLIP and Temporal Fusion
Popis výsledku v původním jazyce
Recently, the CLIP model demonstrated impressive performance in text-image search and zero classification tasks. Hence, CLIP was used as a primary model in many cross-modal search tools at evaluation campaigns. In this paper, we show a study performed with the model integrated to a successful video search tool at the respected Video Browser Showdown competition. The tool allows more complex querying actions on top of the primarymodel. Specifically, temporal querying and Bayesian like relevance feedback were tested as well as their natural combination temporal relevance feedback. In a thorough analysis of the tool's performance, we show current limits of cross-modal searching with CLIP and also the impact of more advanced query formulation strategies. We conclude that current cross-modal search models enable users to solve some types of tasks trivially with a single query, however, for more challenging tasks it is necessary to rely also on interactive search strategies.
Název v anglickém jazyce
A Study of a Cross-modal Interactive Search Tool Using CLIP and Temporal Fusion
Popis výsledku anglicky
Recently, the CLIP model demonstrated impressive performance in text-image search and zero classification tasks. Hence, CLIP was used as a primary model in many cross-modal search tools at evaluation campaigns. In this paper, we show a study performed with the model integrated to a successful video search tool at the respected Video Browser Showdown competition. The tool allows more complex querying actions on top of the primarymodel. Specifically, temporal querying and Bayesian like relevance feedback were tested as well as their natural combination temporal relevance feedback. In a thorough analysis of the tool's performance, we show current limits of cross-modal searching with CLIP and also the impact of more advanced query formulation strategies. We conclude that current cross-modal search models enable users to solve some types of tasks trivially with a single query, however, for more challenging tasks it is necessary to rely also on interactive search strategies.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA22-21696S" target="_blank" >GA22-21696S: Hluboké vizuální reprezentace nestrukturovaných dat</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
MULTIMEDIA MODELING, MMM 2023, PT I
ISBN
978-3-031-27076-5
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
12
Strana od-do
397-408
Název nakladatele
SPRINGER INTERNATIONAL PUBLISHING AG
Místo vydání
CHAM
Místo konání akce
Bergen
Datum konání akce
9. 1. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000996563000031