一句話精準視頻片段定位！清華新方法拿下SOTA｜已開源

十三 2024-01-06 12:54:10 來源：量子位

陳厚倫 投稿

量子位 | 公眾號 QbitAI

只需一句話描述，就能在一大段視頻中定位到對應片段！

比如描述“一個人一邊下樓梯一邊喝水”，通過視頻畫面和腳步聲的匹配，新方法一下子就能揪出對應起止時間戳：

就連“大笑”這種語義難理解型的，也能準確定位：

方法名為自適應雙分支促進網(wǎng)絡（ADPN），由清華大學研究團隊提出。

具體來說，ADPN是用來完成一個叫做視頻片段定位（Temporal Sentence Grounding，TSG）的視覺-語言跨模態(tài)任務，也就是根據(jù)查詢文本從視頻中定位到相關(guān)片段。

ADPN的特點在于能夠高效利用視頻中視覺和音頻模態(tài)的一致性與互補性來增強視頻片段定位性能。

相較其他利用音頻的TSG工作PMI-LOC、UMT，ADPN方法從音頻模態(tài)獲取了更顯著地性能提升，多項測試拿下新SOTA。

目前該工作已經(jīng)被ACM Multimedia 2023接收，且已完全開源。

一起來看看ADPN究竟是個啥～

一句話定位視頻片段

視頻片段定位（Temporal Sentence Grounding，TSG）是一項重要的視覺-語言跨模態(tài)任務。

它的目的是根據(jù)自然語言查詢，在一個未剪輯的視頻中找到與之語義匹配的片段的起止時間戳，它要求方法具備較強的時序跨模態(tài)推理能力。

然而，大多數(shù)現(xiàn)有的TSG方法只考慮了視頻中的視覺信息，如RGB、光流（optical flows）、深度（depth）等，而忽略了視頻中天然伴隨的音頻信息。

音頻信息往往包含豐富的語義，并且與視覺信息存在一致性和互補性，如下圖所示，這些性質(zhì)會有助于TSG任務。

△圖1

(a)一致性：視頻畫面和腳步聲一致地匹配了查詢中的“走下樓梯”的語義；(b)互補性：視頻畫面難以識別出特定行為來定位查詢中的“笑”的語義，但是笑聲的出現(xiàn)提供了強有力的互補定位線索。

因此研究人員深入研究了音頻增強的視頻片段定位任務（Audio-enhanced Temporal Sentence Grounding，ATSG），旨在更優(yōu)地從視覺與音頻兩種模態(tài)中捕獲定位線索，然而音頻模態(tài)的引入也帶來了如下挑戰(zhàn)：

• 音頻和視覺模態(tài)的一致性和互補性是與查詢文本相關(guān)聯(lián)的，因此捕獲視聽一致性與互補性需要建模文本-視覺-音頻三模態(tài)的交互。
• 音頻和視覺間存在顯著的模態(tài)差異，兩者的信息密度和噪聲強度不同，這會影響視聽學習的性能。

為了解決上述挑戰(zhàn)，研究人員提出了一種新穎的ATSG方法“自適應雙分支促進網(wǎng)絡”（Adaptive Dual-branch Prompted Network，ADPN）。

通過一種雙分支的模型結(jié)構(gòu)設計，該方法能夠自適應地建模音頻和視覺之間的一致性和互補性，并利用一種基于課程學習的去噪優(yōu)化策略進一步消除音頻模態(tài)噪聲的干擾，揭示了音頻信號對于視頻檢索的重要性。

ADPN的總體結(jié)構(gòu)如下圖所示：

△圖2：自適應雙分支促進網(wǎng)絡（ADPN）總體示意圖

它主要包含三個設計：

1、雙分支網(wǎng)絡結(jié)構(gòu)設計

考慮到音頻的噪聲更加明顯，且對于TSG任務而言，音頻通常存在更多冗余信息，因此音頻和視覺模態(tài)的學習過程需要賦予不同的重要性，因此本文涉及了一個雙分支的網(wǎng)絡結(jié)構(gòu)，在利用音頻和視覺進行多模態(tài)學習的同時，對視覺信息進行強化。

具體地，參見圖2(a)，ADPN同時訓練一個只使用視覺信息的分支（視覺分支）和一個同時使用視覺信息和音頻信息的分支（聯(lián)合分支）。

兩個分支擁有相似的結(jié)構(gòu)，其中聯(lián)合分支增加了一個文本引導的線索挖掘單元（TGCM）建模文本-視覺-音頻模態(tài)交互。訓練過程兩個分支同時更新參數(shù)，推理階段使用聯(lián)合分支的結(jié)果作為模型預測結(jié)果。

2、文本引導的線索挖掘單元（Text-Guided Clues Miner，TGCM）

考慮到音頻與視覺模態(tài)的一致性與互補性是以給定的文本查詢作為條件的，因此研究人員設計了TGCM單元建模文本-視覺-音頻三模態(tài)間的交互。

參考圖2(b)，TGCM分為”提取“和”傳播“兩個步驟。

首先以文本作為查詢條件，從視覺和音頻兩種模態(tài)中提取關(guān)聯(lián)的信息并集成；然后再以視覺與音頻各自模態(tài)作為查詢條件，將集成的信息通過注意力傳播到視覺與音頻各自的模態(tài)，最終再通過FFN進行特征融合。

3、課程學習優(yōu)化策略

研究人員觀察到音頻中含有噪聲，這會影響多模態(tài)學習的效果，于是他們將噪聲的強度作為樣本難度的參考，引入課程學習（Curriculum Learning，CL）對優(yōu)化過程進行去噪，參考圖2(c)。

他們根據(jù)兩個分支的預測輸出差異來評估樣本的難度，認為過于難的樣本大概率表示其音頻含有過多的噪聲而不適于TSG任務，于是根據(jù)樣本難度的評估分數(shù)對訓練過程的損失函數(shù)項進行重加權(quán)，旨在丟棄音頻的噪聲引起的不良梯度。

（其余的模型結(jié)構(gòu)與訓練細節(jié)請參考原文。）

多項測試新SOTA

研究人員在TSG任務的benchmark數(shù)據(jù)集Charades-STA和ActivityNet Captions上進行實驗評估，與baseline方法的比較如表1所示。

ADPN方法能夠取得SOTA性能；特別地，相較其他利用音頻的TSG工作PMI-LOC、UMT，ADPN方法從音頻模態(tài)獲取了更顯著地性能提升，說明了ADPN方法利用音頻模態(tài)促進TSG的優(yōu)越性。

△表1：Charades-STA與ActivityNet Captions上實驗結(jié)果

研究人員進一步通過消融實驗展示了ADPN中不同的設計單元的有效性，如表2所示。

△表2：Charades-STA上消融實驗

研究人員選取了一些樣本的預測結(jié)果進行了可視化，并且繪制了TGCM中”提取“步驟中的”文本 to 視覺“（T→V）和”文本 to 音頻“（T→A）注意力權(quán)重分布，如圖3所示。

可以觀察到音頻模態(tài)的引入改善了預測結(jié)果。從“Person laughs at it”的案例中，可以看到T→A的注意力權(quán)重分布更接近Ground Truth，糾正了T→V的權(quán)重分布對模型預測的錯誤引導。

△圖3：案例展示

總的來說，本文研究人員提出了一種新穎的自適應雙分支促進網(wǎng)絡（ADPN）來解決音頻增強的視頻片段定位（ATSG）問題。

他們設計了一個雙分支的模型結(jié)構(gòu)，聯(lián)合訓練視覺分支和視聽聯(lián)合分支，以解決音頻和視覺模態(tài)之間的信息差異。

他們還提出了一種文本引導的線索挖掘單元（TGCM），用文本語義作為指導來建模文本-音頻-視覺交互。

最后，研究人員設計了一種基于課程學習的優(yōu)化策略來進一步消除音頻噪音，以自感知的方式評估樣本難度作為噪音強度的度量，并自適應地調(diào)整優(yōu)化過程。

他們首先在ATSG中深入研究了音頻的特性，更好地提升了音頻模態(tài)對性能的提升作用。

未來，他們希望為ATSG構(gòu)建更合適的評估基準，以鼓勵在這一領(lǐng)域進行更深入的研究。

論文鏈接：https://dl.acm.org/doi/pdf/10.1145/3581783.3612504
倉庫鏈接：https://github.com/hlchen23/ADPN-MM