源码学习见专栏置顶~
论文作者:Abhay Zala,Jaemin Cho,Satwik Kottur,Xilun Chen,Barlas Oğuz,Yasher Mehdad,Mohit Bansal
论文链接:http://arxiv.org/abs/2303.16406v1
项目链接: https://hirest-cvpr2023.github.io
1)方向:视频信息检索和摘要
2)应用:教育视频的检索和摘要
3)背景:以往的研究通常独立地研究文本检索、时刻检索、视频摘要和视频字幕等相关任务,缺乏一个端到端的设置,可以联合从视频库中搜索和生成摘要。本文提出了HiREST数据集和基准,旨在从教育视频库中检索和生成分层信息,并提供了视频检索、时刻检索、时刻分割和步骤字幕生成等任务。
4)方法:HiREST数据集包含来自教育视频数据集的3.4K个文本-视频对,其中1.1K个视频具有与文本查询相关的时刻跨度标注,并将每个时刻分解为具有字幕和时间戳的关键指令步骤(共8.6K个步骤字幕)。基准包括视频检索、时刻检索、时刻分割和步骤字幕生成等任务。在时刻分割中,模型将视频时刻分解为指令步骤,并确定开始-结束边界。在步骤字幕生成中,模型为每个步骤生成文本摘要。作者还提出了基于任务和端到端的基线模型。
5)结果:基线模型表现出一定的良好结果,但仍有很大的改进空间。 HiREST数据集和基准可用于教育视频检索和摘要的研究。