CLIP天生适合做retrieve的任务，拿编码好的特征做相似度计算

CLIP做视频的迁移问题在于，一般视频的处理方式是对多个帧做patch，因此得到的图像特征应该是多个帧的融合特征，但CLIP是一个文本特征对应一个图像特征，这时候该如何进行相似度计算？

第一种方法：直接取平均。缺点是没有考虑到时序的特性，例如两段视频，一段是人慢慢坐下，一段是人慢慢起身，直接取平均的话这两段视频的语义是一样的

第二章方法：用transformer或LSTM，把时序信息加进去

第三章方法：不在最后融合特征，而是将文本与视频帧丢入同一个transformer，类似于把文本特征当成cls token，最后把融合了视频与文本的特征去做相似度计算

用少量数据集时直接平均的效果最好，只有当数据量上去的时候，后面的方法效果才会提高