CLIP4Clip

收录理由

CLIP4Clip 是论文《CLIP4Clip: An Empirical Study of CLIP for End to End Video Clip Retrieval》的官方实现，将预训练的 CLIP 编码器迁移到视频-文本检索任务上。仓库对比了三种将 CLIP 改造为视频检索器的方式：简单的均值池化基线、LSTM 以及 transformer 变体，这样你就能直观看到额外架构在不同数据集上带来的效果差异。项目提供了 MSR-VTT、MSVD、LSMDC、ActivityNet 和 DiDeMo 的训练命令，相比多数研究代码，复现过程要顺畅不少。代码模块化程度较高，你可以通过命令行参数替换相似度头或线性 patch 策略，无需改动整体流程。它定位为研究基线而非生产级服务，数据准备和检查点加载需要自己处理，但对于刚接触视频标题检索的人来说，这是一份扎实的参考。