想象你在逛一座包罗万象的“视频图书馆”，这里的每本“书”都是一段流动的影像。你给管理员递上一张借书条，上面写着“一只猫在沙发上打滚”——没有书名，没有编号，只有一句大白话。管理员需要先读懂这句话（文本理解），再扫视整座书库（视频库），把画面与描述最吻合的片段挑出来，按相关程度排成一张清单送到你面前。这套“按文字找画面”的本领，就是视频检索。它让机器既看得懂自然语言，又看得懂动态影像，在二者之间搭起一座语义桥梁。那么，怎么知道管理员找得准不准？这就轮到“视频检索评估”登场——它像一位考官，用标准化的试卷和评分规则，把每一次检索的准确率与排序质量，变成一组可比较的数字。

岗位关联

对 AI 从业者而言，掌握视频检索及其评测方法，等于同时握住“理解多模态模型”和“量化其真实能力”的两把钥匙，是进入视频搜索、内容审核、智能安防等落地领域的硬核基本功。

目录
  1. 可视化演示
  2. 任务定义
  3. 特征提取
  4. 语义对齐
  5. 排序检索
  6. 评估指标
  7. 评测基准
  8. 局限挑战
  9. 发展趋势
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示文本到视频检索T2VR：文本与视频编码进统一嵌入空间，跨模态相似度排序，以及视频帧采样编码过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

跨模态检索 文本与视频编码到统一嵌入空间 sim=cos(q,v) 匹配对相似度高于不匹配对。

任务定义

在视频图书馆里，管理员每天会收到五花八门的借书条：“雨夜的霓虹灯”“孩子学步的瞬间”“无人机飞过峡谷”。视频检索任务，就是训练这位跨模态管理员的基本功——给定一段文字描述，从视频库中返回与之最匹配的视频片段。这看似简单，却要求机器同时理解“文字在说什么”和“画面在演什么”。

从技术视角看，视频检索定义了一个清晰的问题：输入文本查询 q 和视频库 V，输出一个按相关度从高到低排列的候选列表。这里的核心挑战在于，文字是离散符号，视频是连续像素流，二者在表面上毫无共同之处，只能通过“语义”这座桥连接起来。

现代视频检索普遍采用“编码器-检索”框架：文本经过文本编码器 f_T 压缩成一个向量，视频经过视频编码器 f_V 压缩成另一个向量，再用相似度函数 s 为它们打分。检索结果，就是给所有候选打分之后排序得到的列表。

对视频图书馆的管理员来说，这五个环节环环相扣：读得懂借书条、翻得懂藏书、算得准匹配度、排得出优先级，才算迈出了“跨模态图书管理员”的第一步。

Retrieval(q,V)=sortv∈V  s(fT(q), fV(v))\displaystyle \text{Retrieval}(q, V) = \mathop{\mathrm{sort}}_{v \in V} \; s\big(f_T(q),\, f_V(v)\big)
这个公式是视频检索的总纲：一切技术细节，都是为了算出式中那个相似度 s，并让排序结果更合理。
  1. 查询文本 q用户给出的自然语言描述，是检索的“起点”。
    q∈Tq \in \mathcal{T}
  2. 视频库 V待检索候选视频片段的集合。
    V={v1,v2,…,vn}V = \{v_1, v_2, \dots, v_n\}
  3. 编码函数 f把文本和视频分别映射成特征向量。
    fT(q)∈Rd,fV(v)∈Rdf_T(q) \in \mathbb{R}^d, \quad f_V(v) \in \mathbb{R}^d
  4. 相似度函数 s计算查询与候选的语义匹配分数。
    s:Rd×Rd→Rs: \mathbb{R}^d \times \mathbb{R}^d \to \mathbb{R}
  5. 排序算子 sort按相似度降序生成最终结果列表。
    Retrieval(q,V)=降序排列{s(fT(q),fV(v))}v∈V\text{Retrieval}(q,V) = \text{降序排列}\big\{s\big(f_T(q), f_V(v)\big)\big\}_{v \in V}

特征提取

管理员要给每本藏书建一张“索引卡”——先翻拍书的几张代表性页面（帧采样），再用“读图器”把每页提炼成一段摘要（帧级特征），最后把整本书的摘要汇成一张总卡（时间聚合）。与此同时，他还要逐字解读借书条上的句子（文本编码）。没有这两套功夫，后续的匹配就是空谈。

视频和文本天生异构。视频是每秒几十帧的画面连续流，不能直接扔进模型；文本是长度不定的字符序列，也需要压缩成固定长度的语义向量。因此特征提取的第一步，是为两种模态分别建立“可计算”的表示。

视频特征提取通常分三步：先对视频做帧采样，例如均匀抽 8 帧或 16 帧；再用预训练视觉编码器（如 ViT、CLIP 的视觉分支）把每帧编码成向量；最后通过时间聚合（平均池化、最大池化或注意力池化）把帧级向量融合成视频级向量。文本端则用文本编码器把整句压缩成一个语义向量。

好的索引卡能高度浓缩一本书，好的视频特征也要在保留关键信息的同时，把几十秒的动态画面压进一个向量，供后续检索使用。

fV(v)=Agg(EncoderV(Sample(v)))\displaystyle f_V(v) = \text{Agg}\Big(\text{Encoder}_V\big(\text{Sample}(v)\big)\Big)
一句话理解：视频特征 = 先抽样拍照，再逐张理解，最后合并成一段“视频摘要”。
  1. 采样 Sample(v)从长视频中抽取若干代表性帧，降低计算量。
    Sample(v)={x1,x2,…,xT}\text{Sample}(v) = \{x_1, x_2, \dots, x_T\}
  2. 视觉编码 Encoder_V把每一帧图像编码为视觉向量。
    zt=EncoderV(xt),zt∈Rdz_t = \text{Encoder}_V(x_t), \quad z_t \in \mathbb{R}^d
  3. 聚合 Agg把 T 个帧向量融合成一个视频级向量。
    fV(v)=Agg({z1,z2,…,zT})f_V(v) = \text{Agg}(\{z_1, z_2, \dots, z_T\})

语义对齐

图书馆使用一套统一的分类法——“动物-猫-动作-翻滚”的文字卡和一段“猫在翻滚”的录像封面，被分到同一排书架。视频检索中的语义对齐，就是要建出这样一排“共享书架”：文本向量和视频向量都放进同一个空间，语义越接近，向量距离越近。

实现这套对齐的经典结构叫“双塔模型”：一座塔处理文本，另一座塔处理视频，两座塔的输出被训练成共享语义空间中的坐标。训练时，匹配的文本-视频对在空间中互相靠近，不匹配的对则被推开。这样，检索时只需把查询文本映射进同一空间，再找它周围的视频“邻居”即可。

在共享空间中，最常用的距离度量是余弦相似度——它只看两个向量的方向一不一致，不看它们的长度。两个向量方向越一致，夹角越小，余弦值越接近 1，语义也就越匹配。

有了“共享书架”，管理员只需看看借书条向量和藏书向量站得近不近、方向一致不一致，就能快速判断“这本书是否符合需求”。

s(u,v)=u⋅v∥u∥ ∥v∥\displaystyle s(u, v) = \frac{u \cdot v}{\lVert u \rVert \, \lVert v \rVert}
余弦相似度像在问：“这两个向量的'箭头'指向同一个语义方向吗？”
  1. 点积 u·v对应维度相乘后求和，衡量向量同向程度。
    u⋅v=∑i=1duiviu \cdot v = \sum_{i=1}^{d} u_i v_i
  2. 模长向量的欧几里得长度，用于归一化。
    ∥u∥=∑i=1dui2\lVert u \rVert = \sqrt{\sum_{i=1}^{d} u_i^2}
  3. 余弦相似度点积除以两向量模长之积，值域为 [-1, 1]。
    s(u,v)=u⋅v∥u∥∥v∥s(u,v) = \frac{u \cdot v}{\lVert u \rVert \lVert v \rVert}

排序检索

面对上百万本书，管理员绝不会一本一本地精读——他会先扫书架分区，粗筛出一批“可能相关”的候选（召回），再在这些候选里逐本细看（精排），最后把最像的 TopK 本推荐给读者。视频检索的工业级流程，正是这条“先粗后精”的流水线。

召回阶段用近似最近邻索引（例如 HNSW、FAISS），在毫秒级从全库捞出数百个候选；精排阶段则对候选逐一计算精细相似度，重新排序。这样做既控制了计算成本，又保证了最终结果的质量。

最终返回给用户的，就是相似度最高的 K 个视频片段。这个“取前 K 个”的操作，用公式写出来就是：

聪明的管理员先“扫书架”再“精读”，既省力气又不漏掉真正的好书——这就是召回-精排两级结构的核心智慧。

TopK(q)=arg⁡topKv∈V  s(fT(q), fV(v))\displaystyle \text{TopK}(q) = \arg\mathop{\mathrm{topK}}_{v \in V} \; s\big(f_T(q),\, f_V(v)\big)
TopK 可以理解为：把所有候选视频按匹配分数排队，只放前 K 名“进店”给用户挑选。
  1. 相似度打分为每个候选视频计算与查询的匹配分。
    score(v)=s(fT(q),fV(v))\text{score}(v) = s\big(f_T(q), f_V(v)\big)
  2. 降序排序将全部候选按得分从高到低排列。
    v(1)⪰v(2)⪰⋯⪰v(n)v_{(1)} \succeq v_{(2)} \succeq \dots \succeq v_{(n)}
  3. topK 截断取出排序后最靠前的 K 个作为最终结果。
    TopK(q)={v(1),v(2),…,v(K)}\text{TopK}(q) = \{v_{(1)}, v_{(2)}, \dots, v_{(K)}\}

评估指标

馆长怎么考核管理员的服务水平？方法很简单：给他一张借书条，看你要的那本“书”是否出现在他推荐的 TopK 名单里。多做几次测试、算一算命中比例，就得到 Recall@K。这是视频检索最常用的评估指标，直观又公平。

除了 Recall@K，还有两个重要指标：中位秩（MR）衡量“正确答案在排序里的平均靠前程度”，平均精度均值（mAP）则综合考察整个排序的质量，而不仅仅看前 K 名。三者从不同角度回答同一个问题：管理员推荐得准不准、排得好不好。

Recall@K 的公式并不复杂，它的核心是“命中计数 + 平均”：

馆长的成绩单落到了纸面上：R@K 越大，说明管理员越擅长把正确书籍推到书单的显眼位置。

R@K=1N∑i=1N1[ranki≤K]\displaystyle R@K = \frac{1}{N} \sum_{i=1}^{N} \mathbb{1}[\mathrm{rank}_i \le K]
用大白话说：N 次检索里，正确视频排进前 K 名的比例有多高。
  1. 位置 rank_i第 i 次查询中，正确视频在排序里的名次。
    ranki∈{1,2,…,n}\mathrm{rank}_i \in \{1, 2, \dots, n\}
  2. 指示函数括号内条件成立记 1，不成立记 0。
    1[ranki≤K]={1,ranki≤K0,otherwise\mathbb{1}[\mathrm{rank}_i \le K] = \begin{cases}1, & \mathrm{rank}_i \le K\\ 0, & \text{otherwise}\end{cases}
  3. 平均对所有 N 个查询求平均，得到最终召回率。
    R@K=命中次数NR@K = \frac{\text{命中次数}}{N}

评测基准

不同管理员之间怎么横向比拼？必须用同一套试卷和统一的评分标准。视频检索评测基准就是这样一个“考试中心”：它提供固定的题库（数据集）、固定的考题（查询-视频对）、以及固定的阅卷规则（评估脚本），让不同模型的检索能力可以公平比较。

常用数据集各具特色：MSRVTT 包含 1 万个视频、20 万条文本描述，是 Text-to-Video 检索的“标配考场”；ActivityNet 聚焦 200 类人类活动，考验动作理解；DiDeMo 强调时间定位；VATEX 则提供多语言字幕，适合验证跨语言检索。评测任务通常分两个方向：文本→视频（给定句子找视频）和视频→文本（给定视频找句子）。

综合多个查询的检索精度，就要用到平均精度均值 mAP，它的公式是：

有了统一试卷，任何管理员（模型）都能放进同一把尺子下测量——这正是评测基准存在的意义：让“服务好不好”从主观感觉变成客观数字。

mAP=1Q∑q=1QAP(q)\displaystyle \text{mAP} = \frac{1}{Q} \sum_{q=1}^{Q} \text{AP}(q)
mAP 把每位“考生”（模型）在所有考题上的平均精度再取一次平均，得到一个总评分。
  1. 单查询 AP(q)某个查询的精度-召回曲线下的面积。
    AP(q)=1M∑k=1MP(k)⋅rel(k)\mathrm{AP}(q) = \frac{1}{M} \sum_{k=1}^{M} P(k) \cdot \mathrm{rel}(k)
  2. 查询集合 Q测试集中全部查询的数量。
    Q={q1,q2,…,qQ}Q = \{q_1, q_2, \dots, q_Q\}
  3. 均值 mAP对所有查询的 AP 求平均。
    mAP=1Q∑q=1QAP(q)\text{mAP} = \frac{1}{Q} \sum_{q=1}^{Q} \mathrm{AP}(q)

局限挑战

管理员也有头疼的时刻：读者递来一张极其抽象的借书条——“我想看一个治愈的视频”；或者是一部长达三小时的纪录片，关键情节藏在角落里；又或者是两本封面几乎一样的画册，差别只在细节。这些正是视频检索的真实困境。

第一个困境是语义鸿沟：文字极度凝练，画面信息异常庞杂，“治愈”这种抽象概念很难映射到具体像素。第二个是长视频处理：时长越长，信息越稀疏，简单的均匀帧采样可能错过关键事件。第三个是细粒度区分：两个视频画面高度相似，仅靠粗粒度特征几乎无法区分。这些挑战让模型在给出匹配概率时常常“犹豫不决”。

这种“犹豫”可以用软分配概率来刻画——模型给每个候选一个匹配概率，概率分布越平坦，说明越难以决策：

借书条越模糊，管理员越难下结论——语义鸿沟的数学本质，就是相似度信号太弱，难以拉开候选之间的距离。

P(v∣q)=exp⁡(s(fT(q),fV(v))/τ)∑v′∈Vexp⁡(s(fT(q),fV(v′))/τ)\displaystyle P(v \mid q) = \frac{\exp\big(s(f_T(q), f_V(v)) / \tau\big)}{\sum_{v' \in V} \exp\big(s(f_T(q), f_V(v')) / \tau\big)}
这个公式像一把“犹豫度温度计”：温度 τ 越大，模型对所有候选越一视同仁，也就是越拿不准。
  1. 温度系数 τ控制分布平滑程度，τ 越大分布越平坦。
    τ>0\tau > 0
  2. 指数加权把相似度转化为非负权重，相似度越高权重越大。
    w(v)=exp⁡(s(fT(q),fV(v))τ)w(v) = \exp\left(\frac{s(f_T(q), f_V(v))}{\tau}\right)
  3. 归一化分母对所有候选权重求和，使概率总和为 1。
    ∑v∈VP(v∣q)=1\sum_{v \in V} P(v \mid q) = 1

发展趋势

图书馆正在数字化转型：管理员身边多了几位 AI 助手。大模型能读懂更复杂的借书条，智能索引能在亿万册藏书中毫秒级定位，长时序分析工具则能追踪书中跨越几十页的伏笔。视频检索也随之迈入新阶段。

大模型融合是当前最明显的趋势：CLIP、GPT-4V 等模型为视频和文本提供更强的表征，甚至能直接推理复杂语义。长时序建模从“片段级”走向“事件级”，让模型理解“先跳上沙发，再打滚，最后睡着”这样的动作序列。实时检索则依赖近似最近邻索引，在超大规模库中保持毫秒级响应。

实际系统中，单一模型往往不够，常见做法是融合多路信号——用 CLIP 提供稳定的底层视觉-文本匹配，用大语言模型提供高层推理分数，再按权重合并：

新一代管理员正从“勤劳”走向“聪明”，而评测体系依旧守在一旁，用同一把尺子确认智能是否真的在进步。

Score=α⋅sCLIP(q,v)+β⋅sLLM(q,v)\displaystyle \text{Score} = \alpha \cdot s_{\text{CLIP}}(q, v) + \beta \cdot s_{\text{LLM}}(q, v)
两个“顾问”各抒己见，最终由权重 α、β 决定谁的声音更大。
  1. CLIP 分数基础跨模态相似度，计算快、覆盖广。
    sCLIP(q,v)=cos⁡(fCLIP(q), fCLIP(v))s_{\text{CLIP}}(q,v) = \cos\big(f_{\text{CLIP}}(q),\, f_{\text{CLIP}}(v)\big)
  2. LLM 分数大模型通过推理给出的语义匹配置信度。
    sLLM(q,v)=LLM 输出的匹配置信度s_{\text{LLM}}(q,v) = \text{LLM 输出的匹配置信度}
  3. 加权融合用权重 α 和 β 平衡两路信号。
    Score=α⋅sCLIP+β⋅sLLM\text{Score} = \alpha \cdot s_{\text{CLIP}} + \beta \cdot s_{\text{LLM}}

AI 应用场景

短视频平台素材检索

阶段：跨模态特征提取与语义排序

解决的问题：传统素材管理依赖人工打标签和文件夹分类，创作者面对上万条素材只能靠记忆和关键词碰运气；输入自然语言描述即可秒级定位所需画面，把“找素材”从半小时缩短到几秒。

具体案例：某短视频平台上线“以文搜片”功能，剪辑师输入“黄昏海边情侣奔跑”，系统从百万级素材库中召回匹配片段并按相似度排序，极大提升创作效率。

安防监控视频取证

阶段：视频-文本对齐与候选召回

解决的问题：传统监控取证靠人工回看海量录像，线索散落在数十路摄像头、数百小时画面中；视频检索模型将文字描述与监控画面语义对齐，快速召回可疑片段供人工复核。

具体案例：公安系统接入视频检索引擎后，侦查人员输入“穿红色外套的男子在停车场徘徊”，系统从一周的监控录像中定位相关片段，检索时间从小时级压缩到分钟级。

电商商品视频搜索

阶段：多模态检索排序与评测调优

解决的问题：图文搜索无法覆盖“白色连衣裙夏天穿搭”这类长尾描述，用户意图在文字之外还藏在画面里；视频检索让商品视频直接与自然语言匹配，改善搜索体验。

具体案例：电商平台将商品主图视频接入检索系统，用户用口语化描述即可找到对应商品，长尾 query 的点击转化率提升明显，评测团队用 Recall@K 持续追踪效果。

Python 演示

python49 行
import numpy as np  def cos_sim(a, b):    """余弦相似度: 衡量两个向量的方向一致性"""    return float(np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b)))  def build_videos(n=100, dim=64, seed=42):    """模拟视频库: 每段视频用一个归一化嵌入向量表示"""    rng = np.random.default_rng(seed)    return [vec / np.linalg.norm(vec) for vec in rng.randn(n, dim)]  def encode_text(query, dim=64, seed=0):    """模拟文本编码器: 将查询句子映射为归一化嵌入向量"""    rng = np.random.default_rng(seed + len(query))    vec = rng.randn(dim)    return vec / np.linalg.norm(vec)  def retrieve(videos, query_vec, top_k=5):    """计算所有视频与查询的余弦相似度, 返回 top_k 个结果"""    scores = [cos_sim(query_vec, v) for v in videos]    order = np.argsort(scores)[::-1]    return [(scores[i], i) for i in order[:top_k]]  def recall_at_k(videos, query_vec, gt_idx, k):    """评估: 正确视频是否出现在前 k 个检索结果中"""    results = retrieve(videos, query_vec, top_k=k)    return 1.0 if any(idx == gt_idx for _, idx in results) else 0.0  def main():    videos = build_videos()    query_vec = encode_text("一只猫在沙发上打滚")    results = retrieve(videos, query_vec, top_k=5)    print("模拟视频检索 (真实系统使用 CLIP 等预训练特征)")    for rank, (score, idx) in enumerate(results, 1):        print(f"第 {rank} 名 视频{idx}  相似度 = {score:.4f}")    gt_idx = results[0][1]    print(f"假设正确视频为第 {gt_idx} 号")    for k in (1, 5, 10):        print(f"Recall@{k} = {recall_at_k(videos, query_vec, gt_idx, k):.2f}")  if __name__ == "__main__":    main()
目的：用随机向量模拟“文本-视频”嵌入，完整演示视频检索的查询、排序、评估闭环。
  1. def cos_sim(a, b):定义余弦相似度函数，衡量两个向量方向是否一致，是检索打分的核心。
  2. [vec / np.linalg.norm(vec) for vec in rng.randn(n, dim)]生成模拟视频库并归一化，让向量只保留语义方向信息。
  3. def encode_text(query, dim=64, seed=0):模拟文本编码器，把一句话变成固定维度的向量。
  4. scores = [cos_sim(query_vec, v) for v in videos]对全库逐条计算查询与视频的相似度，得到候选分数。
  5. order = np.argsort(scores)[::-1]按相似度从高到低排序，得到检索结果的“名次”。
  6. return 1.0 if any(idx == gt_idx for _, idx in results) else 0.0判断标准答案是否挤进前 K 名，返回 1 或 0。
  7. for k in (1, 5, 10):分别计算 R@1、R@5、R@10，观察 K 越大召回率越高的规律。

常见误区

误区给视频打上类别标签，比如“猫”“运动”“夜景”，再用标签匹配文本不就行了？这和视频检索有什么区别？

正解分类只能输出有限个离散标签，而检索面对的是开放式的自然语言描述——“一只橘猫在灰色沙发上打滚”这样的查询，很难被单一标签覆盖。分类像给书贴固定类别，检索则要按任意借书条找书，借书条可能千变万化。

为何常见：早期视频理解以分类为主，人们习惯把一切视频任务都归约为“打标签”，忽略了检索本质是文本-视频的细粒度语义对齐。

误区模型输出的相似度分数越高，说明这个模型越厉害，只要分数高检索就准。

正解检索系统的核心是排序——正确答案是否排在错误答案前面，而不是绝对分数有多高。一个模型给所有视频都打高分，分数毫无区分度，检索照样一塌糊涂。评估指标 Recall@K、mAP 都是基于排序位置，而不是原始分数。

为何常见：人们习惯用“分数高低”判断好坏，但检索任务更关心相对顺序，绝对分值的意义只在跨模型比较时才存在。

误区把视频的每一帧编码后取平均，就得到了视频的特征向量，简单又有效。

正解平均池化会把时序信息彻底抹平。“猫先跳上沙发再打滚”和“猫先打滚再跳上沙发”可能得到几乎一样的特征，但这显然是两个不同的故事。需要注意力池化、时序 Transformer 等带顺序感知的聚合方式。

为何常见：图像检索中全局平均池化非常流行，初学者容易把图像习惯直接套到视频上，忽略了“时间”这个新增维度。

误区模型在自己的数据集上跑出很高的 R@10，就认为它已经超越了所有公开模型。

正解评测必须遵循公开基准的协议——官方数据划分、统一的查询集合、一致的评估脚本。如果自己随意切分数据、换了评估口径，数字再高也不可比。这就像考试用了不同的试卷和评分标准，分数没法跨考场比较。

为何常见：研究社区反复强调评测一致性，但初学者往往只关心“涨点”，忽略了分数背后的评测条件是否公平。

误区都是“输入查询、输出文档列表”，视频检索无非是给文本检索加了个视频特征而已。

正解文本检索可以直接做精确的字符匹配，而视频没有天然的“词”单元，必须从连续像素中抽取语义；视频还包含运动、时序、多模态（画面+音频）信息，检索的复杂度远高于纯文本。视频是一片流动的画面，而文本是一行固定的符号。

为何常见：两者共享“检索”这个词，且早期的确借用过文本检索的稀疏向量思想，容易让人忽略底层模态的巨大差异。

面试题

Q1. 视频检索的核心任务是什么？

单选题 · easy

  • A.为视频打上分类标签
  • B.根据文本找相关视频片段← 正确答案
  • C.对视频进行压缩与存储
  • D.预测视频的下一帧图像

答案：B。视频检索的本质是“文本查询驱动视频查找”，对应 B。A 是分类任务，C 是编码任务，D 是预测任务，都不涉及跨模态匹配。就像管理员的核心职责是“按借书条找书”，而不是给书贴标签。

Q2. 处理长视频时，提取视频特征常用的做法是？

单选题 · easy

  • A.完全丢弃音频信息流
  • B.仅保留视频的第一帧
  • C.均匀抽取若干代表性帧← 正确答案
  • D.对每帧进行精细编码

答案：C。长视频帧数过多，逐帧处理代价高，通常采用均匀采样或关键帧抽取，对应 C。A 丢弃音频可能丢失重要线索，B 只取首帧会丢失动态信息，D 全量编码计算量不可接受，都不符合工程实践。

Q3. 余弦相似度主要衡量两个向量的什么性质？

单选题 · mid

  • A.两个向量的长度差异
  • B.两个向量的方向一致性← 正确答案
  • C.两个向量的元素个数
  • D.两个向量的数据类型

答案：B。余弦相似度 = 夹角余弦，只关心方向是否一致，与向量长度无关，对应 B。它不比较长度（A）、维数（C）或类型（D）。就像判断两个人“思路是否一致”，与身材高矮无关。

Q4. 双塔模型中的“双塔”指的是什么？

单选题 · mid

  • A.一个编码器内部的两层堆叠结构
  • B.视频画面被切分成的块状金字塔
  • C.文本句法分析生成的层次结构树
  • D.两个独立编码器分别处理视频和文本← 正确答案

答案：D。双塔指两个独立的编码器分支，分别处理视频和文本，再把输出映射到共享语义空间，对应 D。A、B、C 分别是网络结构、图像分块、语法树概念，与“双塔”定义无关。

Q5. Recall@K 指标的含义是？

单选题 · mid

  • A.前K个结果包含正确视频的比例← 正确答案
  • B.全部检索结果的平均精确程度
  • C.正确结果在排序中的中位位置
  • D.检索耗时小于K毫秒的概率

答案：A。R@K 统计 N 次查询中，正确视频出现在前 K 名的比例，对应 A。B 是平均精度的描述，C 是中位秩，D 是效率指标。R@K 关心的是“正确答案有没有排进前 K”，而不是平均精度或耗时。

Q6. 以下哪些是视频检索的典型应用场景？

多选题 · easy

  • A.短视频平台的素材高效查找← 正确答案
  • B.公共场所监控视频快速取证← 正确答案
  • C.视频文件码率压缩与编码
  • D.电商平台商品视频智能搜索← 正确答案

答案：ABD。A（素材检索）、B（监控取证）、D（商品视频搜索）都是“文字找视频”的实际应用。C 属于视频压缩编码，不涉及跨模态检索，故不选。

Q7. 视频检索性能评估常用的指标包括？

多选题 · mid

  • A.召回率指标Recall@K值← 正确答案
  • B.正确结果的中位秩MR值← 正确答案
  • C.视频压缩的比特率指标
  • D.平均精度均值mAP指标← 正确答案

答案：ABD。R@K（A）、MR（B）、mAP（D）都是检索排序质量的评估指标。C 的比特率是视频压缩领域的概念，与检索无关，故排除。

Q8. 视频检索面临的主要挑战是什么？

单选题 · hard

  • A.视频文件太大无法有效存储
  • B.视频画面通常是彩色图像
  • C.文本与视频之间的语义鸿沟← 正确答案
  • D.用户输入查询的速度太慢

答案：C。核心挑战是语义鸿沟——文字高度抽象，画面具体丰富，两者在表示层面难以直接对应，对应 C。A、B、D 分别是存储、色彩、输入速度问题，不是检索特有的核心难点。

Q9. 处理长视频检索时，常见的建模策略包括？

多选题 · hard

  • A.滑窗切分视频片段再聚合← 正确答案
  • B.抽取关键帧做稀疏采样编码← 正确答案
  • C.对每个像素单独进行编码
  • D.使用时序注意力机制建模← 正确答案

答案：ABD。长视频常通过滑窗分段（A）、关键帧稀疏采样（B）、时序注意力（D）来建模动态信息。C 对每个像素单独编码既不现实也无语义意义，故排除。

Q10. mAP 相比 Recall@K 的优势是什么？

单选题 · extreme

  • A.完全不需要标注训练数据集
  • B.综合考量所有位置的排序质量← 正确答案
  • C.能够自动压缩视频文件大小
  • D.只需要GPU加速计算速度

答案：B。R@K 只关心前 K 名是否命中，mAP 则通过精度-召回曲线综合评估排序中每个位置的正确性，对应 B。它仍需要标注数据（A 错）、不涉及压缩（C 错）、与 GPU 无关（D 错）。