【论文笔记】Number it: Temporal Grounding Videos like Flipping Manga

小嗷犬2024-11-242024-11-25

基本信息

标题: Number it: Temporal Grounding Videos like Flipping Manga
作者: Yongliang Wu, Xinting Hu, Yuyang Sun, Yizhou Zhou, Wenbo Zhu, Fengyun Rao, Bernt Schiele, Xu Yang
arXiv: https://arxiv.org/abs/2411.10332

摘要

视频大型语言模型（Vid-LLMs）在理解视频内容以进行问答对话方面取得了显著进展。

然而，它们在将这种视觉理解扩展到需要精确时间定位的任务上存在困难，这些任务被称为视频时间定位（VTG）。

为了解决这一差距，我们引入了数字提示（NumPro），这是一种新颖的方法，它通过为每个视频帧添加独特的数字标识符，使Vid-LLMs能够将视觉理解与时间定位相结合。

将视频视为一系列编号的帧图像，NumPro将VTG转化为一个直观的过程：按顺序翻阅漫画分镜。

这使得Vid-LLMs能够“阅读”事件时间线，准确地将视觉内容与相应的时序信息联系起来。

我们的实验表明，NumPro显著提高了顶级Vid-LLMs的VTG性能，而无需额外的计算成本。

此外，在NumPro增强的数据集上进行微调为VTG定义了新的最先进水平，在关键帧检索的mIoU上超越了之前的最优方法高达6.9%，在突出检测的mAP上提高了8.5%。代码将在https://github.com/yongliang-wu/NumPro上提供。

主要贡献

我们引入了NumPro，这是一种新颖的方法，通过在视频帧上叠加帧号，增强了视频大型语言模型（Vid-LLMs）的视频时间定位（VTG）能力，使时间定位变得与翻阅漫画时跟随编号面板一样直观。
通过实验研究，我们发现了一种合适的NumPro设计（字体大小、颜色和位置），确保模型的高可检测性，同时最小程度地干扰原始视频内容。
我们在无训练和微调场景下，对标准VTG基准和指标进行了彻底的NumPro评估，证明了其在各种模型和数据集上的有效性。

Number-Prompt 方法

我们的数字提示（NumPro）方法提供了一种简单而有效的解决方案，以增强现有视频大型语言模型（Vid-LLMs）的视频时间基础（VTG）能力，无论是在无训练还是微调设置下。

Attention Analysis

当前视频语言模型将视频处理为一系列帧。视频的视觉表示可以视为每个单独帧的拼接表示，将离散帧的信息汇总为全面的视频级别。这允许视频语言模型通过将帧图像的视觉表示与语言查询的文本表示对齐来理解视频。

为了探索视频时间定位（VTG）的挑战，我们分析了帧图像token表示和查询语言token之间的注意力图，然后评估了相关视频帧的时间描述。以Qwen2-VL-7B为案例研究，我们突出了VTG对视频语言模型（Vid-LLMs）的挑战：虽然Vid-LLMs可以理解视频中正在发生的事件，但它们难以将这种理解转化为描述事件开始和结束时间的文本描述。

具体来说，我们以视频和语言查询作为输入，从Qwen2-VL-7B的最终多头自注意力层中提取注意力分数。对于视频序列中的每一帧，我们聚合所有对应该帧的视觉token在所有注意力头中的注意力分数。

如图2所示，注意力图揭示了事件文本查询与目标视频片段之间的强相关性。这表明Qwen2-VL-7B能够有效地聚焦于与查询相关的帧，这与模型在其他内容相关的视频理解任务中的出色表现一致。然而，模型在表述正确的时间边界方面存在困难，并产生了诸如“从200到599”这样的令人惊讶的幻觉。这一观察强调了需要机制来弥合空间特征对齐与Vid-LLMs的时间推理之间的差距，这是我们NumPro方法旨在解决的问题。

NumPro and NumPro-FT

我们的方法，编号提示（NumPro），使VidLLMs能够直接将特定视觉内容与其时间信息关联起来，将时间定位转化为视觉对齐任务。如图3所示，NumPro在无训练和微调场景下均能运行。

在无训练设置中，每个视频帧都标有相应的帧号。通过利用VidLLMs内置的光学字符识别（OCR）功能，我们使它们能够通过与视觉内容相关的帧号“读取”时间线。为了阐明添加的数字对Vid-LLMs的目的，我们在每个事件查询前添加一条简单的指令：“每个帧上的红色数字代表帧号。”这种方法允许Vid-LLMs通过直接将帧号与语言查询相联系，准确识别帧级边界。

为了提高性能，NumPro-FT在NumPro增强的数据集上微调VidLLMs。这一阶段将训练数据中的帧数与时间跨度对齐，将时间定位能力嵌入到模型的学得表示中。在微调过程中，我们冻结视觉编码器，仅微调视觉投影器和LLM组件。为了减少参数数量和训练开销，我们应用低秩自适应（LoRA）来调整LLM。我们的训练目标是最大化通过自回归语言模型生成正确答案token $\mathbf{A}$ 的可能性：

$P(\mathbf{A} \mid V, T_{\text{instruct}}) = \prod_{j=1}^{L} P_\theta(A_j \mid V, X_{\text{instruct}}, \mathbf{A}_{<j})$

其中， $V$ 代表输入视频， $\theta$ 表示可训练参数， $T_{\text{instruct}}$ 表示文本指令， $L$ 表示答案序列 $\mathbf{A}$ 的长度， $\mathbf{A}_{<j}$ 包含所有在当前token $\mathbf{A}_{j}$ 之前的答案token。

Design of Numerical Prompt

一个有效的NumPro设计必须确保：

数字易于模型识别；
对视觉内容的干扰最小。

先前的研究表明，视觉提示的出现和位置可以影响模型的注意力。

鉴于所有Vid-LLMs都在336 × 336的固定分辨率下运行，我们通过评估三个因素来优化NumPro：字体大小、颜色和帧编号的放置位置。

为了确定有效的NumPro设计，我们使用两个主要指标：数字准确性，评估模型识别叠加数字的能力；字幕准确性，衡量添加数字后原始字幕与帧内容的一致性。平衡这两个指标，我们可以选择数字清晰可辨且不会干扰主要视频内容的NumPro配置。

为了使设计选择在各种模型和数据集上具有鲁棒性，我们在MSCOCO数据集的子集上进行了基于CLIP的实验，分别计算了数字准确率和字幕准确率。

我们使用CLIP ViT-B/32模型生成视觉和文本表示，因为许多Vid-LLMs都使用CLIP风格的视觉编码器，这使得我们的发现能够很好地推广到Vid-LLMs。

COCO图像-字幕对作为视频帧的代理，避免了直接VTG测试的高成本和有限的可扩展性。

具体来说，我们从MSCOCO中随机选择了1,000个不同的图像-字幕对，并在各种配置下将“0”到“99”的数字叠加到图像上。

如图4所示，我们首先从CLIP视觉和文本编码器中获取表示，并计算它们之间的中间相似度分数（即数字和标题相似度）。使用添加的数字和原始标题作为真实情况，我们选择具有最高相似度分数的文本数字和标题作为预测，以计算数字和标题准确率。平衡这些准确率的配置对NumPro设计最优。

如图5所示，我们的研究结果指出，增大字体大小可以提高数字准确性，但会降低标题准确性，这表明中等字体大小（40或60）是最优的。在颜色选择方面，标题准确性在不同颜色下相对稳定。红色在数字准确性方面表现出最佳性能，而黑色效果最差。这一发现也与先前的研究一致。

此外，将文本置于图像中心会因与关键视觉元素重叠而显著降低标题准确性，而将数字置于右下角则能在标题和数字准确性之间提供最佳平衡。最后，我们为最终的NumPro设计选择了40号的字体大小、红色和右下角的位置。这一设计搜索使NumPro能够更好地利用Vid-LLMs固有的OCR和视觉语言对齐能力，以增强视频时间定位。

在实践中，基于CLIP的设计提供的是近似而非确定的指导，对Vid-LLMs进行VTG数据集的进一步测试可能产生额外的模型特定见解。