论文解读 X-CLIP : Expanding Language-Image Pretrained Models for General Video Recognition

一. 摘要

如何将现有的图像 - 文本多模态大模型（例如 OpenAI CLIP）用于视频内容理解，是一个非常实用且具有前景的研究课题如何将现有的图像 - 文本多模态大模型（例如 Ope