Learning to Locate Visual Answer in Video Corpus Using Question

要約

自然言語の質問を使用して、トリミングされていない教育ビデオの大規模なコレクションで視覚的な回答を見つけることを目的とした、ビデオ コーパスの視覚的な回答のローカリゼーション (VCVAL) という名前の新しいタスクを紹介します。
このタスクには、視覚と言語の相互作用、ビデオの検索、パッセージの理解、視覚的な回答のローカリゼーションなど、さまざまなスキルが必要です。
この論文では、VCVALのクロスモーダルコントラストグローバルスパン（CCGS）メソッドを提案し、グローバルスパンマトリックスを使用してビデオコーパス検索と視覚的回答ローカリゼーションサブタスクを共同でトレーニングします。
VCVAL タスクがベンチマークされる MedVidCQA という名前のデータセットを再構築しました。
実験結果は、提案された方法が、ビデオコーパスの検索と視覚的な回答のローカリゼーションのサブタスクの両方で、他の競合する方法よりも優れていることを示しています。
最も重要なことは、大規模な実験で詳細な分析を行い、教育ビデオを理解するための新しい道を開き、さらなる研究を導くことです.

要約(オリジナル)

We introduce a new task, named video corpus visual answer localization (VCVAL), which aims to locate the visual answer in a large collection of untrimmed instructional videos using a natural language question. This task requires a range of skills – the interaction between vision and language, video retrieval, passage comprehension, and visual answer localization. In this paper, we propose a cross-modal contrastive global-span (CCGS) method for the VCVAL, jointly training the video corpus retrieval and visual answer localization subtasks with the global-span matrix. We have reconstructed a dataset named MedVidCQA, on which the VCVAL task is benchmarked. Experimental results show that the proposed method outperforms other competitive methods both in the video corpus retrieval and visual answer localization subtasks. Most importantly, we perform detailed analyses on extensive experiments, paving a new path for understanding the instructional videos, which ushers in further research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google