Multi-modal Transformer for Video Retrieval

简介

使用多模态transformer融合了来自视频的 多种模态（视觉、声音、语音）特征、专家序号、时间编码，得到各个模态的video表征，再计算由BERT、Gated embedding modules输出的Caption words的表征，最后计算caption和video表征的相似度

论文的任务/贡献

1.提出用于检索的视频编码器体系结构：多模态transformer处理在不同时间提取的多模态特征
2.研究了不同的语言embedding体系结构，BERT最好。
3.效果好。

所提方法

通过学习一个函数计算文本和视频的相似度，根据相似性对数据集中所有视频进行排序

网络结构

MMT：多模态Transformer
Ω：结合了语义特征F，专家信息E，时间线索T的向量，最终输入到MMT

视频表征

特征F：利用专家之间的跨模态和长时期时间关系学习一种联合表示。使用了N个预训练过的专家 { F n } n = 1 N \{F^n\}^N_{n=1} {Fn}n=1N​。每个专家是一个为特定任务而训练的模型，随后用来从视频中提取特征。每个专家为一个视频v提取出来K个特征的序列$F^n(v)=[F_1^n,...,F_K^n]$。专家提取的特征编码了视频的语义，随后为每个专家使用一个线性层将特征映射到同一维度$d_{model}$。
由于每个transformer为每个输入产生一个embedding，则每个专家有多个embedding，为了让每个专家仅有一个embedding，定义了一个特征集合，将专家的信息收集并置于上下文中。将单个专家预测的所有特征使用最大池化进行聚合 F a g g n = m a x p o o l ( { F k n } k = 1 K ) F^n_{agg}=maxpool(\{F^n_k\}^K_{k=1}) Faggn​=maxpool({Fkn​}k=1K​)。输入视频编码器的特征格式为$F(v)=[F_{agg}^1,F_1^1,...,F_K^1,...,F_{agg}^N,F_1^N,...,F_K^N]$（F是用什么得到的论文里没提）
专家embedding E：为了使MMT能够确定该关注哪个专家，学习了N个embedding。送入视频编码器的专家embedding序列的格式$E(v)=[E^1,E^1,...,E^1,...,E^N,E^N,...E^N]$
时间embedding T：提供了视频中特征被提取到MMT的时间信息。视频持续时间最长为D=tmax秒，且向上取整，学习了D个embedding { T 1 , . . . , T D } \{T_1,...,T_D\} {T1​,...,TD​}，每个$T_x$都含有1秒的时间信息(t=7.4时，D=8)。还额外学习了两个时间embedding，其编码了聚合后的特征Tagg和未知的时间信息特征Tunk（对于时间信息未知的专家），组成$T(v)=[T_{agg},T_1,...,T_D,...,T_{agg},T_1,...,T_D]$（Tagg Tunk是学来的？T怎样与F和E对齐？）
最终，$\Omega (v)=F(v)+E(v)+T(v)=[{\omega }_{agg}^1,{\omega }_1^1,...,{\omega }_K^1,...,{\omega }_{agg}^1,{\omega }_1^N,...,{\omega }_K^N]$，经过MMT后输出${\Psi }_{agg}(v)=MMT(\Omega (v))=[{\psi }_{agg}^1,...,{\psi }_{agg}^N]$

字幕表征

先使用训练过的BERT，将输出[CLS]作为caption的embedding h©，然后使用函数g投影到N个不同空间即$\Phi =g◦h$。为了使字幕表征的大小与视频匹配，为函数g学习了与视频专家一样多的门控embedding模块。字幕表征由N个embedding组成，表示为 Φ ( c ) = { ϕ i } i = 1 N Φ(c)=\{\phi^i\}^N_{i=1} Φ(c)={ϕi}i=1N​
相似性估计
将每个专家i的视频-字幕相似性$⟨{\varphi }^i,{\psi }_{agg}^i⟩$的加权（由于字幕可能不能统一描述视频中内在模态，有些关注于视觉模态，有些关注于声音模态）之和$s(v,c)=\sum _{i=1}^N{w}_i(c)⟨{\varphi }^i,{\psi }_{agg}^i⟩$作为视频-字幕相似性，记为s。$w_i(c)$代表第i个专家的权重，权重是将字幕表征通过一个线性层后使用softmax