VideoQA（视频问答）

背景：随着视频数据爆炸式增长，如何让机器理解视频内容并回答相关问题成为多模态研究热点。技术说明：VideoQA 需要联合建模视频的视觉、听觉和文本信息，进行跨模态对齐与推理。早期方法使用两阶段框架，先提取视频特征再与问题交互；近期端到端模型如 ClipBERT 直接处理视频帧和问题，利用预训练多模态模型提升性能。挑战包括长视频建模、时序推理和开放域问答。