HowTo100M: Learning a Text-Video Embedding by Watching Hundred Million\n Narrated Video Clips

• 类型：arxiv
• 标识：1906.03327
• 链接：https://arxiv.org/abs/1906.03327
• 主题：multimodal
• 主分类：multimodal
• 形态：method
• 被引：1510
• 被引来源：Semantic Scholar
• S2被引：1510
• OpenAlex被引：926
• 影响力被引：245
• TLDR：It is demonstrated that a text-video embedding trained on this data leads to state-of-the-art results for text-to-video retrieval and action localization on instructional video datasets such as YouCook2 or CrossTask.
• OpenAlex ID：W2984008963
• OpenAlex DOI：10.48550/arxiv.1906.03327
• DOI：10.48550/arxiv.1906.03327
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1906.03327
• OpenAlex更新：2026-08-23
• 副分类：rag
• 待LLM分类：否
• 标题中文：HowTo100M: Learning a Text-Video Embedding by Watching Hundred Million Narrated Video Clips
• TLDR中文：在 YouCook2、CrossTask 等教学视频数据集上，基于该数据训练的文本-视频 embedding 在文本到视频检索与动作定位任务上达到了 SOTA 结果。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]