这是一个基于Pytorch平台、Transformer框架实现的视频描述生成 (Video Captioning) 深度学习模型。 视频描述生成任务指的是：输入一个视频，输出一句描述整个视频内容的文字（前提是视频较短且可以用一句话来描述）。本repo主要目的是帮助视力障碍者欣赏网络视频、感知周围环境，促进“无障碍视频
这是一个基于Pytorch平台、Transformer框架实现的视频描述生成 (Video Captioning) 深度学习模型。 视频描述生成任务指的是：输入一个视频，输出一句描述整个视频内容的文字（前提是视频较短且可以用一句话来描述）。本repo主要目的是帮助视力障碍者欣赏网络视频、感知周围环境，促进“无障碍视频”的发展。
使用video_features提取视频特征文件.npy，在使用video_caption进行描述与真实差别太大
请问是有特定的识别类型或者视频需要处理吗，用自己的视频识别出的结果好像差强人意
Pretrained checkpoint
model checkpoint
用video-feature抽取CLIP特征，是否需要把 ViT-B-32.pt放到该项目下
CLIP的checkpoint空的
代码中提到的MMT论文是哪一篇，能详细点吗
教程
作者：已经重构的代码正式发布了！