快手文本视频多模态检索论文

论文：Towards Efficient and Effective Text-to-Video Retrieval with Coarse-to-Fine Visual Representation Learning
链接：https://arxiv.org/abs/2401.00701

摘要

近些年，基于CLIP的text-to-video检索方法广为流行，但大多从视觉文本对齐方法上演进。按照原文：design a heavy fusion block for sentence (words)-video (frames) interaction，而忽视了复杂度和检索效率。

• 升级点
• 本文采用多粒度视觉特征学习，捕获从抽象到具体的视觉内容。Multi-granularity visual feature learning, ensuring the model’s comprehensiveness in capturing visual content features spanning from abstract to detailed levels during the training phase.
• 设计两阶段检索框架，优点在于 balances the coarse and fine granularity of retrieval content.
  • 在训练阶段，设计一个parameter-free text-gated interaction block (TIB) 模块用于细粒度视觉表征学习并嵌入一个额外的 Pearson Constraint来优化跨模态表示学习。
  • 在检索阶段，使用粗粒度视觉表征快速检索topk结果，然后使用细粒度视觉表示rerank（recall-then-rerank pipeline）。
• 效果：nearly 50 times faster
• 难点：对比原始图像文本匹配任务（包含较少的视觉信息），聚合整个视频表示易导致过度抽象以及误导。在视觉文本检索任务中，一个句子通常只描述一个感兴趣的视频子区域。现有工作很多不够合理与成熟，衍生出很多CLIP的变体，大体分为两个方向。例如CLIP4Clip，仅仅是将预训练的CLIP简单进行MeanPooling就从image-text迁移到video-text领域。
  • 设计a heavy fusion block来加强视觉和文本的交互以达到模态间更好地对齐的目的；
  • 优化text-driven video representations，keep multi-grained features including video-level and frame-level for brute-force search。
• 近些年方法虽然有效果提升，但却需要巨大的计算成本（text-video similarity calculation）。
  
  过于细粒度的计算可能会放大视频局部噪声，降低检索效率。需要在有效性和效率上做trade-off。

方法

• 整体架构
  

• 特征输入：a video v consists ofT sequential frames {f1, f2, …, fT |fi ∈ RH ×W ×C}；each frame is divided into N patches {f 1i , f 2i , …, f N i |f n i ∈RP×P×C} with P × P size；text t。

• 模型结构

  • 视觉端

    • a spatial encoder (SE) with 12 transformer layers initialized by the public CLIP checkpoints
    • a temporal encoder (TE) with 4 transformer layers to model temporal relationship among sequential frames， [CLS] enocde patch to frame（0th patch feature represent frame）
    • a MeanPooling layer (MP) to aggregate all frame-level features into a text-agnostic feature vector
      注：patch 和 frame都包含位置编码

  • 视觉文本交互 – Text-Gated Interaction Block

    • 简单的attention机制，π is the temperature，决定多少视觉信息被保留（A small value of π only emphasizes those most relevant visual cues, while a large value pays attention to much more visual cues.）
    • 未引入任何参数
      

• 损失函数（Inter- and Intra-Feature Supervision Loss）

  • 数据形式：Each batch of B video-text pairs，in each pair, the text tb is a corresponding description of the video vb
  • Contrastive Loss for Inter-Feature Supervision - infoNCE loss，batch内其他为负样本
    
  • Pearson Constraint for Intra-Feature Supervision
    
    
  • Total Loss
    

• 检索中的两阶段策略 - To balance the efficiency and effectiveness

  • 使用VL1作为tok召回阶段特征
  • rerank这些召回结果用VL2和VL3
  • 两阶段的优点：效率提升 & 过于细粒度的特征可能会导致对局部噪声的过度关注。

实验

主实验：

其他数据集：

消融实验：
可以看到去掉帧粒度的文本交互特征指标下降明显。当去掉所有文本交互特征时，只使用视觉特征会引入很多噪声（引入喝多与文本无关的特征），mislead the matching process。

top100的下降可能是由于重新排序阶段过度关注视觉局部细节，增加 top-k 引入的噪声会对重新排序阶段造成更多的干扰

Re-ranking 消融

Intra-Feature Pearson Constraint消融

Visualization of Coarse-to-Fine Retrieval