Video Question Answering with Iterative Video-Text Co-Tokenization

要約

ビデオ質問応答は、言語入力、個々のビデオ フレームの視覚情報、およびビデオで発生するイベントに関する時間情報を一緒に理解する必要がある難しいタスクです。
この論文では、複数のビデオ入力と新しいビデオテキスト反復共同トークン化アプローチを使用して、ビデオに関連するさまざまな質問に答える、ビデオ質問応答用の新しいマルチストリームビデオエンコーダを提案します。
MSRVTT-QA、MSVD-QA、IVQAなどのいくつかのデータセットでモデルを実験的に評価し、以前の最先端技術を大幅に上回っています。
同時に、私たちのモデルは必要な GFLOP を 150 ～ 360 からわずか 67 に減らし、非常に効率的なビデオ質問応答モデルを生成します。

要約(オリジナル)

Video question answering is a challenging task that requires understanding jointly the language input, the visual information in individual video frames, as well as the temporal information about the events occurring in the video. In this paper, we propose a novel multi-stream video encoder for video question answering that uses multiple video inputs and a new video-text iterative co-tokenization approach to answer a variety of questions related to videos. We experimentally evaluate the model on several datasets, such as MSRVTT-QA, MSVD-QA, IVQA, outperforming the previous state-of-the-art by large margins. Simultaneously, our model reduces the required GFLOPs from 150-360 to only 67, producing a highly efficient video question answering model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google