聚焦视频文本检索：一文概览视频文本检索任务最新研究进展

©PaperWeekly 原创 · 作者 | 小马

单位 | FightingCV公众号运营者

研究方向 | 计算机视觉

写在前面

近几年，随着抖音、快手等短视频平台，以及哔哩哔哩、优酷等视频平台的出现，网络中出现了大量的视频媒体。海量视频媒体给视频内容的准确检索带来了巨大挑战。在本文中，我们将介绍一些近几年视频文本检索的文章，让大家了解视频文本检索的最近工作进展。

工作介绍

2.1 MMT——ECCV 2020

2.1.1. 论文信息

论文标题：

Multi-modal Transformer for Video Retrieval

论文地址：

https://arxiv.org/abs/2007.10639

代码地址：

https://github.com/gabeur/mmt

2.1.2. 论文动机

进行视频文本检索的关键是学习精确的视频-文本表示，并建立相似度估计。目前的方法主要存在两个方面的缺陷：1）没有充分利用好视频中动作、音频、语音等各个模态，从上图中可以看出，从所有组成模态中联合提取的线索比单独处理每个模态更具信息性；2）没有充分考虑视频的时间性，由于数据集中的视频时长不一样，目前的方法通常是通过聚合视频中不同时刻提取的描述，从而丢弃长期时间信息。

在本文中，作者提出了一个多模态 Transformer（MMT）来解决上面的挑战，首先提取不同时刻和不同模态的特征，将他们聚集在一个紧凑的表示中，并用 Transformer 进行不同时间和模态信息的交互，最终基于聚合特征来评估视觉和文本之间的相似性。

2.1.3. 论文方法

本文的结构如上图所示，本文的特征提取用的是预训练的 BERT，视频的特征用的是不同的预训练好的“专家”模型来提取不同模态的特征，每个模态采用 max-pooling获得一个聚合特征，然后将提取的特征和专家 embedding、时间 embedding 相加能到最终的视频特征（如下图所示）。

作者用一个多模态 Transformer（MMT）来建模这些特征的不同模态和时间的关系，最终获得具有代表性的聚合特征，然后用不同聚合特征和文本特征求相似度，并对其进行加权求和，得到最终的视频本文相似度。

2.2 T2VLAD——CVPR 2021

2.2.1. 论文信息

论文标题：

T2VLAD: Global-Local Sequence Alignment for Text-Video Retrieval

论文地址：

https://arxiv.org/abs/2104.10054

代码地址：

未开源

2.2.2. 论文动机

目前进行多模态匹配的方式有两种，一种是全局的粗粒度匹配，这种方式简单，但是忽略了细粒度的语义对齐；另一种是细粒度的语义对齐，目前通常是设置三个语义级别（事件、动作和实体），