清华新方法拿下SOTA

只需一句话描述，就能在一大段视频中定位到对应片段!比如描述“一个人一边下楼梯一边喝水”，通过视频画面和脚步声的匹配，新方法一下子就能揪出对应起止时间戳:就连“大笑”这种语义难理解型的，也能准确定位:方法名为自适应双分支促进网络（ADPN），由清华大学研究团队提出。