【学习周报】论文阅读学习

本周主要利用碎片化的时间阅读了导师推荐的两篇文章，分别是：

• SibNet: Sibling Convolutional Encoder for Video Captioning
• Towards Diverse Paragraph Captioning for Untrimmed Videos

第一篇文章主要针对现有方法在进行编码时常常使用 “single flow” 的方式，而为了更好地编码视频信息，本文提出了 “two-branch” 的方式。

第二篇文章提出了一个一阶段的段落字幕模型，避免了事件检测阶段，直接为未修剪的视频生成段落描述。

思考：
Towards Diverse Paragraph Captioning for Untrimmed Videos这篇文章在experiments章节给出的案例，很好地解决了其它视频字幕模型遇到的两个问题：

1. 高频词问题，当(man 2.26% vs. woman 0.85%)时，模型倾向于生成字幕man。
2. 冗余短语问题，不管视频内容如何，都生成了““speaking to the camera”字幕，这是训练集中频率最高的动词短语。

而上述两个问题在HMN模型中也十分常见，因此该方法对于解决HMN的痛点问题也显得十分有帮助。

学习内容：

1. SibNet: Sibling Convolutional Encoder for Video Captioning
2. Towards Diverse Paragraph Captioning for Untrimmed Videos

---

学习时间：

• 12.12 - 12.24

---

学习笔记：

SibNet: Sibling Convolutional Encoder for Video Captioning

1.Introduction

现有的方法在编码video的信息时，常使用“一条线”（single flow），本文为了更好的编码video信息，提出了“两条线”（two-branch）方法。其中：

• 第一个分支（内容分支，content branch）使用自编码器编码video的视觉内容。
• 第二个分支（语义分支，semantic branch）使用视觉-语义嵌入编码video的语义信息。

然后，使用soft-attention将二者联合，再使用RNN进行解码，得到最终输出。

2.Overview of the proposed SibNet

SibNet框架概览。它采用双分支架构来协作编码视频，损失函数包含三个部分：内容损失Lc、语义损失Ls和解码器损失Ld。利用自动编码器(Autoencoder)和视觉语义联合嵌入(visual-semantic joint embedding)来施加细粒度的正则化，该正则化推动内容分支(content branch，图中蓝色方框)来捕获视觉内容，并推动语义分支(semantic branch，图中黄色方框)来编码视频语义。

3.contribution

1. 提出了Sibling Convolutional Encoder (SibNet)，它由两个分支组成，内容分支负责捕获视觉信息，语义分支用于生成特定语义（semantic-specific）表示，这种表示可以捕获某些帧在语义上的重要性，为内容分支提供补充。
2. 本文设计了新的损失函数，由三项组成，分别是：content loss、semantic loss、decoder loss。

4.Illustration of the proposed Sibling Convolutional Encoder (SibNet)

同级卷积编码器（SibNet）架构。其由内容分支和语义分支组成，分别表示为CNNc和CNNs。CNNc和CNNs分别通过堆叠三个和六个相同的时间卷积块（TCB）来构造这两个分支。在RNN解码器中采用了软注意机制（soft-attention）。

TCB模块图示如下：

TCB是内容分支和语义分支的基本组件。

5.Experiments

5.1 MSVD数据集实验结果

5.2 MSR-VTT数据集实验结果

5.3 消融实验

将第二小节 overview 图示中的分支结构拆分为两部分DL-3（Content branch）、DL-6（Semantic branch）分别在不同的数据集上进行实验；除此之外，还针对不同的loss进行消融实验，例如 Ours（DL）表示仅用解码器损失Ld来训练。实验结果如下图所示：

5.4 Qualitative comparison

“Single”、“Sib-DL”和“Ours”表示由名为Single（DL-3）、Ours（DL）和Ours（Full）的变体生成的字幕，“GT”表示真实数据说明。

---

Towards Diverse Paragraph Captioning for Untrimmed Videos

论文地址：https://arxiv.org/abs/2105.14477
代码地址：https://github.com/syuqings/video-paragraph

1.introduction

视频段落字幕（Video paragraph captioning）的目的是在未修剪的视频中描述多个事件。现有的方法主要包括事件检测和事件字幕两个步骤，而这种二阶段的方式使生成字幕的质量高度依赖于事件建议（event proposal）检测的准确性。

在本文中，作者提出了一种单阶段的段落字幕模型，旨在避免事件检测阶段而直接为未修剪的视频生成段落描述。为了确保描述的连贯性和事件的多样性，作者提出使用动态视频记忆来增强时间维度的Attention。通过逐步暴露新的视频特征，同时抑制过度访问的视频内容，来控制模型的视觉焦点。

此外，作者还提出了多样性驱动的训练策略，以提高字幕的多样性。考虑到未修剪的视频通常包含大量冗余的帧，作者进一步用视频编码器提取关键帧，提高了效率。

在ActivityNet和Charades数据集上的实验结果表明，作者提出的模型在不使用任何事件边界注释的情况下，在准确性和多样性度量上都显著优于目前SOTA模型的性能。

2.Overview of the proposed video paragraph captioning model

3.Illustration of proposed video paragraph captioning model

3.1 Keyframe-aware Video Encoder

未修剪的视频中有大量的冗余帧，这给解码器带来了巨大的注意力计算负担。因此，作者提出了在视频编码过程中显式地选择关键帧。用一个关键帧选择层来增强普通编码器，它根据其上下文表示来预测每个片段的信息量。在第i个编码层中，所编码的视频特征计算如下：

$\sigma$为sigmoid函数，$s_j^i$ 是预测第 j 个clip在第 i 个编码层所包含信息量的标量。

然而，仅依靠段落生成损失不能为关键帧选择提供足够的监督，视频特征选择不当会阻碍解码器的注意力学习。因此，作者提出在视觉-语义联合embedding空间中重建视频的高级语义embedding。

具体来说，就是利用视频文本检索任务作为代理任务来预训练视觉-语义联合embedding空间。首先将视频特征序列$X^0$和ground-truth段分别提供给GRU，得到每个序列的全局编码向量。然后将其映射到联合embedding空间，用hard negative triplet loss优化，以确保具有相似语义的视频/文本被embedding得更近。经过预训练后，固定GRU的参数，计算视频重建损失如下：

为了惩罚大量被选择的关键帧，进一步引入了一个稀疏性损失，如下：

其中，L为视频clip的总数，$\delta$为表示关键帧的选择比例的超参数。在训练阶段，使用关键帧的soft selection来进行梯度反向传播；而在推理时，选择$Top[{\delta }_L]$个关键帧，以降低解码阶段的计算成本。

3.2 Attention with Dynamic Video Memories

利用编码的视频特征序列，解码器采用时间注意机制进行段落生成。然而，视频段落通常包含丰富的时间逻辑结构，传统的注意力机制很难从有限的训练样本中学习。因此，作者利用动态视频记忆增强了解码器中的时间注意机制。

本文的模型不是在每个解码步骤采用相同的特征序列，而是在每个步骤 t 采用视频记忆 $M_t$。这些步骤动态更新，使视觉注意在不同事件上移动。假设${\alpha }_t$是第t步在视频记忆上的注意权重。我们利用 attention histories { α t − W , . . . , α t } \{α_{t-W},...,α_t\} {αt−W​,...,αt​} 和窗口W将$M_t$更新到$M_{t+1}$。

使用attention histories而不是${\alpha }_t$，是为了在生成一个完整的短语或句子时更新视频记忆。作者将attention histories聚合为${\tilde{\alpha }}_t$，以提高最近步骤的注意力重要性：

其中$w_j$是历史衰减权重。然后，使用${\tilde{\alpha }}_t$更新视频存储器，步骤如下：

1. 在$progressive$ $memory$ $exposure$中的 “add” 操作，渐进地向存储器添加更多视频剪辑特征。
2. 在$over-access$ $memory$ $decay$中的 “erase” 操作，以删除已经描述过的片段。

3.3 Diversity-driven Training

动态视频记忆机制（dynamic video memories）可以帮助模型描述不同的视频内容，而不同的语言表达也对段落的生成至关重要。

字幕模型的MLE和RL训练目标都迫使模型拟合ground-truth的分布，这使得解码器倾向于选择高频标记和短语。它不仅导致重复的表达，而且使模型产生错误的描述，忽略视频内容。

因此，作者利用标记级和短语级高频惩罚来改进训练目标。

3.3.1 Token-level Training

在token级的训练中，作者用高频单词惩罚来增强MLE目标函数。考虑到以前的模型倾向于重复已生成的单词，作者将之前的上下文单词定义为当前训练对$(v,y^{\ast })$的高频token。因此，新的MLE损失函数为：

其中 C t = { y 1 ∗ , . . . , y t ∗ } / { y t ∗ } C^t=\{y_1^*,...,y_t^* \}/\{y_t^* \} Ct={y1∗​,...,yt∗​}/{yt∗​}是要惩罚的候选词集。不仅提高了ground-truth词的概率，而且通过惩罚降低了具有高频性质的错误候选词的概率。

3.3.2 Sequence-level Training

在序列级训练中，作者将短语级惩罚引入到了RL损失函数中。逆文档频率(IDF)分数可以表示n-gram的唯一性，并作为强化学习中的多样性奖励。

为了避免模型在注释中产生低频率、无意义的短语，作者将多样性奖励与CIDEr计算的相关性奖励结合起来。RL损失函数如下：

在整个训练过程中，首先用$L_{mle}$和视频概要损失训练整个模型：

然后在强化学习中用$L_{rl}$对模型进行微调。

4.Experiments

4.1 Comparison with the State-of-the-arts

从表中可以看出，使用ground-truth事件段（第1-4行）和使用自动生成事件段（第五行）的两阶段方法存在较大的性能差距，表明事件检测的性能差严重阻碍了段落描述生成的质量。

1. 在ActivityNet数据集上，除METEOR外本文的方法都取得了最好的结果。
2. 在Charades Captions数据集上，本文的方法也达到了SOTA的性能。

4.2. Trade-off of Efficiency and Performance

模型在不同关键帧选择率下的推理速度和字幕性能。

4.3. Ablation Studies

上表展示了不同模块的消融实验。其中：

• row 1 为baseline性能
• pme：$progressive$ $memory$ $exposure$
• omd：$over-access$ $memory$ $decay$
• token：标记性惩罚目标
• $r_{rlv}$：强化阶段关联性报酬
• $r_{div}$：强化阶段短语惩罚目标

4.4. Qualitative Analysis

5.Conclusion

在本文中，作者提出了一个单阶段视频段落生成框架。由于长视频形式的输入和段落形式的输出，想要高效地生成不同的段落字幕十分困难。因此，作者采用了一种关键帧感知视频编码器来提高训练效率，在次当中还提出了具有动态视频记忆的注意机制，以学习更多样化和连贯的视觉注意。

此外，作者还提出了一种多样性驱动训练目标，结合高频标记和短语惩罚来提高语言多样性。在ActivityNet数据集和Charades数据集上的实验结果表明，本文提出的模型在准确性和多样性指标上都优于现有模型。