论文阅读笔记（一）:Reading-strategy Inspired Visual Representation Learning for Text-to-Video Retrieval

视频文本检索

意义：网上的视频量越来越大，对于识别、描述、检索视频内容的需求也越来越大。
任务：给一个自然语言描述的文本，在大量未标记的视频中寻找与它语义最相关的视频。
难点：视频内容检索的难点在于怎样计算文本与视频之间的相似度。早期的工作主要是将视频和文本都在一个预定义好的概念空间（concept space）表示出来，然后使用概念匹配计算相似度。近年来，跨模态的表示学习方法逐渐被使用，它学习一个特征嵌入空间（embedding space）来进行相似度测量。

一、Introduction？

文章来源：TCSVT, 2022
目前关于视频特征提取的方法如下图所示，典型的方法先使用一个CNN网络提取每帧的特征，然后通过平均池化或最大池化来聚合一个视频级特征，最后使用全连接层将其映射到一个公共空间。这种方法不能得到视频的综合信息。另外多分支方法也经常被使用，通过多个分支提取不同类型的特征，可以获得更全面的信息。

但是这些多分支方法之间是相互独立的，作者认为这会导致这些分支都学到主要特征而忽略掉细节信息。受到人类阅读方式的启发（先整体阅读得到大致信息，在根据大致信息进行精读），作者提出了相互依赖的双分支网络。首先一个轻量级分支（previewing branch）捕捉视频的整体信息，然后相对较深的分支（intensive-reading branch）捕捉更细的信息，关键一点是previewing branch捕捉到的信息要融入intensive-reading branch中。

文章贡献如下：
1.提出了一个相互依赖的双分支网络来提取视频特征
2.为了建模这种依赖关系提出Previewing-aware Attention（PaA）,和自注意力不同的是，Q来自于previewing branch。

二、Proposed method

整体方法模型如下图所示

1.帧级特征提取

视频首先要编码成为帧级特征 V = { v 1 , v 2 , . . . v m } V=\{v_1,v_2,...v_m\} V={v1​,v2​,...vm​}，这里$v_i$代表第$i$帧的特征，$m$是视频中总的帧数。

2.Previewing Branch

这一分支使用biGRU来提取被给视频的整体信息。当将特征序列$V$放入GRU时，得到一个输出为 H = { h 1 , h 2 , . . . h m } H=\{h^1,h^2,...h^m\} H={h1,h2,...hm}，它表示了视频的整体信息。之后使用一个平均池化来作为视频的特征表达$$p=\frac{1}{m}\sum _{t=1}^m{h}^t$$

3.Intensive-Reading Branch

3.1.多粒度分段表示

为了获得不同粒度的信息，这里采用视频分段方法。首先使用一个FC层将V映射到一个更低维度的空间 V ′ = { v 1 ′ , v 2 ′ , . . . , v m ′ } V'=\{v_1',v_2',...,v_m'\} V′={v1′​,v2′​,...,vm′​}。然后使用CNN获取分段特征。具体来说使用不同尺寸的卷积核可以得到不同粒度信息。卷积核尺寸为n的分段特征可以表示为$C_n=\delta (Conv1D_{r,n,s}(V^{\prime }))$，这里r,n,s分别代表卷积核个数、尺寸以及步长。最终得到的多粒度信息为： C = { C n ∈ R m n × r } C=\{C^n \in R^{m_n\times r}\} C={Cn∈Rmn​×r}这里n表示卷积核尺寸，$m^n$表示段长为n（n帧特征聚合在一起）的段数量。

3.2 Previewing-aware Attention

与自注意力机制不同的是，Previewing-aware Attention使用Previewing branch中的p得到query,使用$C^{\prime }\in C$得到keys和values。对于每个粒度的段，注意力计算如下：
$$\{\begin{array}{l}Attention(Q,K,V)=Softmax(\frac{Q{K}^T}{\sqrt{d_k}})V,\\ o=W_4\times Attention(p{W}_1,C^{\prime }{W}_2,C^{\prime }{W}_3),\end{array}$$
这里$W_1\in R^{d\times d_k}$,$W_2\in R^{r\times d_k}$,$W_3\in R^{r\times d_v}$为三个映射矩阵用于得到Q,K,V，$W_4\in R^{d_v\times d_v}$用于得到最终输出。

获得输出$o$后，利用残差连接获取该层的结果
$$o^{\prime }=LN(o+maxpoll(C^{\prime }))$$
PaA模块最终的输出为：
$$PaA(C^{\prime };p)=LN(o^{\prime }+MLP(o^{\prime }))$$
由于有多个粒度的段，因此还需要将各个段的输出进行拼接。
$$g=Concat(PaA(C^n;p))$$

三、视频文本匹配

1.文本表示

本文主要关注视频表示部分，对于文本表示，这里使用多层次文本编码和BERT来进行文本表示。多层次文本编码是基于Bag-of-Words (BoW), biGRU, biGRU-CNN提取三个层次的文本特征，然后将他们拼接在一起。BERT是使用预训练的模型将一个句子转为1024维的向量。最终表示文本的方法有两种，一种是只使用多层次文本编码，另一种是将多层次编码与BERT特征拼接在一起。文中默认采用多层次文本编码方法。

2.视频文本相似度学习

文中使用混合空间（Hybrid Spaces）来学习视频文本间的相似度。它既有概念空间（concept space）的可解释性又有潜在空间（latent space）的高性能。这里采用两个混合空间分别用于两个分支，最终的相似度有两个空间聚合而成。

混合空间由概念空间和潜在空间组成，在潜在空间中，使用三元组损失来拉近匹配视频文本对，拉远不匹配的视频文本对。在概念空间中，交叉熵损失和三元组损失被使用。

最终的相似度由两个空间的相似度相加得到：
$$sim(v,s)=si{m}_p(v,s)+si{m}_g(v,s)$$
这里$v$表示视频特征，$s$表示文本特征，$si{m}_p,si{m}_g$分别代表两个分支的相似度计算方法。

四、实验

1.实验设置

作者在三个数据集 MSR-VTT,VATEX和TGIF上做了实验。实验中，使用pytorch架构，评估指标选择Rank@k和mAP。

2.实验结果

MSR-VTT实验结果如下：

TGIF实验结果：

VATEX实验结果

从实验结果上来看，文中使用的方法在后两个数据集上有明显的提升，在第一个数据集上使用更少的特征（不需预训练，分支更少）取得了与在HowTo100M上预训练的Support-Set相当的结果。