文本视频多模态语义检索方法、装置、设备以及存储介质

本申请涉及一种文本视频多模态语义检索方法、装置、设备以及存储介质。方法包括：获取视频集以及文本查询；将视频集中各视频输入至预训练的视觉编码器，获得视觉特征序列；将文本查询输入至预训练的文本编码器，获得查询特征向量；将视觉特征序列输入至层级式时间建模模块，获得全局视频表征以及时序感知特征序列；将时序感知特征序列输入至时序语义记忆网络模块的控制器，识别视频中的各关键事件片段；生成关键事件表征，获得关键事件表征集合；获得与查询特征向量相应的目标事件表征；计算文本查询与各视频之间的相似度得分；将相似度得分最高的视频确定为文本查询的检索视频，提高了文本视频检索的准确率。