Align and Attend: Multimodal Summarization with Dual Contrastive Losses

要約

マルチモーダル要約の目的は、さまざまなモダリティから最も重要な情報を抽出して要約を作成することです。
ユニモーダル要約とは異なり、マルチモーダル要約タスクはクロスモーダル情報を明示的に活用して、より信頼性の高い高品質の要約を生成するのに役立ちます。
ただし、既存の方法では、異なるモダリティ間の一時的な対応を活用できず、異なるサンプル間の固有の相関関係を無視しています。
この問題に対処するために、マルチモーダル入力を効果的に整列およびアテンドできる、統合されたマルチモーダル トランスフォーマー ベースのモデルである、Align and Attend Multimodal Summarization (A2Summ) を導入します。
さらに、サンプル間相関とサンプル内相関の両方をモデル化するために、2 つの新しい対照的な損失を提案します。
2 つの標準ビデオ要約データセット (TVSum と SumMe) と 2 つのマルチモーダル要約データセット (Daily Mail と CNN) に関する広範な実験により、A2Summ の優位性が実証され、すべてのデータセットで最先端のパフォーマンスが達成されました。
さらに、大規模なマルチモーダル要約データセット BLiSS を収集しました。これには、ライブ ストリーム ビデオと、注釈付きの要約を含む文字起こしされたテキストが含まれています。
コードとデータセットは ~\url{https://boheumd.github.io/A2Summ/} で公開されています。

要約(オリジナル)

The goal of multimodal summarization is to extract the most important information from different modalities to form summaries. Unlike unimodal summarization, the multimodal summarization task explicitly leverages cross-modal information to help generate more reliable and high-quality summaries. However, existing methods fail to leverage the temporal correspondence between different modalities and ignore the intrinsic correlation between different samples. To address this issue, we introduce Align and Attend Multimodal Summarization (A2Summ), a unified multimodal transformer-based model which can effectively align and attend the multimodal input. In addition, we propose two novel contrastive losses to model both inter-sample and intra-sample correlations. Extensive experiments on two standard video summarization datasets (TVSum and SumMe) and two multimodal summarization datasets (Daily Mail and CNN) demonstrate the superiority of A2Summ, achieving state-of-the-art performances on all datasets. Moreover, we collected a large-scale multimodal summarization dataset BLiSS, which contains livestream videos and transcribed texts with annotated summaries. Our code and dataset are publicly available at ~\url{https://boheumd.github.io/A2Summ/}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google