Video Analysis领域的技术包括将视频转文字描述

本篇文章提交至极视角平台，相关链接为文章链接

此前已分别介绍了video analysis领域中的action recognition与temporal action detection两个方向。这两个方向主要涉及对视频中mid-level信息的解析，而近期我所关注的研究重点则转向了如何把握视频的高层语义（high-level）内容，其中video captioning便是该领域的关键研究方向之一。video captioning的任务是为视频生成对应的文本描述，其与image captioning（即为图片生成文字描述）存在相似之处，但视频内容还额外包含时间序列特征，因此在处理上更为复杂。截至目前为止，我尚未亲自进行过video captioning相关的实验操作，因此文中若存在不当之处，恳请各位予以指正。

数据库

以下将简要介绍近年来最为广泛使用的两个数据库。

• MSR-VTT数据集：此数据集源自ACM Multimedia 2016会议中由微软研究院提出的视频到文本（MSR-VTT）挑战任务，其访问链接为 MSR-VTT dataset 。该数据集共计包