VoP: Text-Video Co-operative Prompt Tuning for Cross-Modal Retrieval

要約

最近の多くの研究では、追加の重いモジュールでバックボーンを調整することにより、テキスト ビデオのクロスモーダル検索に事前トレーニング済みの CLIP を活用しています。
この作業では、VoP: テキスト ビデオ検索タスクの効率的なチューニングのためのテキスト ビデオ協調プロンプト チューニングを提案します。
提案された VoP は、ビデオとテキスト プロンプトの両方を導入したエンド ツー エンドのフレームワークであり、トレーニング可能なパラメーターが 0.1% しかない強力なベースラインと見なすことができます。
さらに、ビデオの時空間特性に基づいて、トレーニング可能なパラメーターの異なるスケールでパフォーマンスを向上させる 3 つの新しいビデオ プロンプト メカニズムを開発します。
VoP 拡張の基本的な考え方は、フレーム位置、フレーム コンテキスト、レイヤー関数をそれぞれ特定のトレーニング可能なプロンプトでモデル化することです。
広範な実験によると、完全な微調整と比較して、強化された VoP は 5 つのテキスト ビデオ検索ベンチマーク全体で 1.4% の平均 R@1 ゲインを達成し、パラメーターのオーバーヘッドは 6 倍少ないことが示されています。
コードは https://github.com/bighuang624/VoP で入手できます。

要約(オリジナル)

Many recent studies leverage the pre-trained CLIP for text-video cross-modal retrieval by tuning the backbone with additional heavy modules, which not only brings huge computational burdens with much more parameters, but also leads to the knowledge forgetting from upstream models. In this work, we propose the VoP: Text-Video Co-operative Prompt Tuning for efficient tuning on the text-video retrieval task. The proposed VoP is an end-to-end framework with both video & text prompts introducing, which can be regarded as a powerful baseline with only 0.1% trainable parameters. Further, based on the spatio-temporal characteristics of videos, we develop three novel video prompt mechanisms to improve the performance with different scales of trainable parameters. The basic idea of the VoP enhancement is to model the frame position, frame context, and layer function with specific trainable prompts, respectively. Extensive experiments show that compared to full fine-tuning, the enhanced VoP achieves a 1.4% average R@1 gain across five text-video retrieval benchmarks with 6x less parameter overhead. The code will be available at https://github.com/bighuang624/VoP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google