(四十一):Deep Learning for Video Captioning: A Review 手写笔记 PPT汇报总结 Abstract 1 Introduction 2 Problem Formulation 3 Video Representation 3.1 Multimodal Feature Extraction 3.2 Feature Aggregation Is Important 4 Caption Generation 4.1 Auxiliary Semantic Supervision 4.2 Addressing Objective Mismatch 4.3 Dense Captioning 5 Datasets and Evaluation 5.1 Datasets 5.2 Evaluation 6 Conclusion and Future Directions 出处: IJCAI 2019: 6283-6290 视频字幕的任务是生成一种自然语言的话语(通常是一个句子)来描述视频的视觉内容。该任务自然可以分解为两个子任务:一种是通过充分理解和学习视觉表示来对视频进行编码。另一个是标题生成,它将学习到的表征逐字解码成一个连续的句子。本文:问题公式化;SOTA方法;标准数据集、代表方法;挑战 手写笔记