DeepQAMV：用于多视频摘要的查询感知层次指针网络
重磅干货，第一时间送达
小黑导读
论文是学术研究的精华和未来发展的明灯。小黑决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
摘要
最近网络视频分享平台的增长增加了对能够有效浏览、检索和总结视频内容的系统的需求。基于查询感知的多视频摘要是一种很有前途的技术。在本研究中，作者引入了一种新的用于多视频摘要的查询感知层次指针网络，称为DeepQAMVS，它联合优化了多个标准:(1)简洁性，(2)重要查询相关事件的代表性和(3)时间稳定性。作者设计了一个分层的注意力模型，它分解了三个分布，每个分布从不同的模态收集证据，然后是一个指针网络，它选择包含在摘要中的帧。DeepQAMVS采用强化学习的方法进行训练，并结合了捕获代表性、多样性、查询适应性和时间一致性的奖励。作者在MVS1K数据集上实现了最先进的结果，推理时间随输入视频帧数线性缩放。
这项工作的主要贡献总结如下:
(1)作者设计了一个新颖的端到端查询感知多视频摘要(DeepQAMVS)框架，该框架联合优化了这个具有挑战性任务的多个关键标准:(i)简洁性，(ii)时间稳定性和(iii)所有查询相关事件的代表性。
(2)作者采用指针网络，消除了重新安排选择的帧以形成按时间顺序连贯的摘要的负担，并设计了分层注意机制，建模了视频和查询之间的跨模态语义依赖，实现了最先进的性能。
(3)作者采用强化学习来避免对有限的地面真实数据的过度拟合。作者引入了两个新的奖励，捕获查询适应性和时间相干性。作者对具有挑战性的MVS1K数据集进行了广泛的实验。定量和定性分析表明，作者的模型达到了最先进的结果，并生成视觉上一致的总结。
框架结构
深度查询感知多视频摘要(DeepQAMVS)模型概述。
网络概述
DeepQAMVS分层注意的说明
注意运算符
实验结果
通过K-Means[10]，DSC [3]， MSR [3]， QUASC [22]， MVSHDS[24]和DeepQAMVS分别得到事件1(威廉王子婚礼)的定性结果。红色框表示不重要的关键帧，黄色框表示多余的关键帧。不重要和冗余的框架的数量报告在每个摘要之上。
查询id (x-axis)的时间一致性用户研究。
运行时间分析(秒)。按输入帧总数排序的查询id (x-axis)。
结论
在这项工作中，作者提出了DeepQAMVS，第一个端到端可训练的模型用于查询感知的多视频摘要。DeepQAMVS利用一个具有分层关注的指针网络来融合来自视频帧、网络图像和文本元数据的信息。此外，作者还引入了两种新的奖励方法来捕获查询适应性和时间相干性。与广泛的SVS和MVS基线集的定量比较和彻底的定性分析表明，作者的模型可以从检索到的视频集合中生成时间一致、查询自适应、多样化和具有代表性的摘要，在MVS1K数据集上获得最先进的结果。QAMVS需要更多的社区关注和研究努力来解决所讨论的限制，从而提供一种高效和健壮的技术来利用成倍增长的在线视频内容。
论文链接：https://arxiv.org/pdf/2105.06441.pdf
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。