从物体到关系再到时刻：查询引导的视频理解定位研究

该论文研究三类查询引导的视频定位任务：物体级定位提出 QDETRv 与 TOViT，分别实现视频中未见物体的一次性定位和少样本视频物体检测；关系级定位引入视频少样本指代关系，用元学习关系网络优化 T-partite 随机场定位实体；时刻级定位提出 MATR，用双阶段动态时间规整与可学习查询做视频到视频时刻检索，并可扩展至文本到视频检索。