Weakly-Supervised Spatio-Temporally Grounding Natural Sentence in Video
Weakly-Supervised Spatio-Temporally Grounding Natural Sentence in Video
2020-03-08 14:29:35
Paper: https://arxiv.org/pdf/1906.02549.pdf
Code: https://github.com/JeffCHEN2017/WSSTG.git
1. Background and Motivation:
本文提出一个新的数据集，做了一个新的任务：根据语言文本，在视频中定位出想要的目标物体。与现有的弱监督视频定位问题，本文所提出的 WSSTG task 有如下的挑战和优势：
1). 本文目标是根据一个句子进行定位，而不是一个名词或者代词，这样会使得目标表达更加充分和灵活。但是如何的挖掘句子中的语义含义，来实现准确的定位，是该任务的一个重要的挑战之一；
2). 与单张图像中用一个 BBox 表示相比较，spatio-temporal tube 提供了 “dog” （如图1所示）时序上的运动，可以刻画其视觉动态，可以在语义上和给定的句子进行匹配。然而，如何探索和建模时空特性以及他们复杂的关系，也是一个较大的挑战。
为了解决上述的挑战，本文在多示例学习的框架下提出了一种新颖的模型。首先，从给定的视频中提取出一系列的 instance proposals。instance proposal 的特征和语句都用 attentive interactor 进行编码，并且探索出其细粒度的关系来产生语义上的匹配行为。最后，本文提出一种 diversity loss，将其和 ranking loss 一起来训练整个模型。在测试阶段，instance proposal 中和给定的句子具有最强的语义匹配得分的示例，会被作为定位的结果。
2. Method：
本文提出一种基于多示例学习的方法，如图 2 所示，该方法主要包括两个部分，一个是 instance generator，另外一个是 attentive interactor。
2.1. Instance Extraction：
Instance Generation：
如图 2 所示，本文方法的第一步是产生 instance proposal。用的方法是 faster RCNN，得到 frame-level bounding boxes，并且带有置信度得分，然后将这些 instance 连接起来得到 spatio-temporal tubes。假设在时刻 t 和 t+1，有两个 BBox $b_t$ 和 $b_{t+1}$。本文定义了这两个 BBox 之间的连接得分 $s_l$：
这样的话，一个 instance proposal $p^n$ 可以被看做是整个视频序列上的路径：
作者用 Viterbi algorithm 得到带有最大能量的 instance proposal。作者将识别出的 instance proposal 保存，然后移除与之相关的其他BBox。将上述过程重复直到没有 BBox 剩余了。这样就可以得到一组 instance proposals P。
Feature Representation：
由于一个 instance proposal 是由连续的视频帧中的 BBox 构成的，本文利用 I3D 模型和 faster RCNN 来产生 RGB feature I3D-RGB，the flow sequence feature I3D-Flow, 以及 frame-level RoI pooled feature。作者平均的将 instance proposal 划分为 $t_p$ 个 segments，并且在每一个 segments 中平均化特征。作者将这三种 feature 组合起来，然后输入到接下来的 attentive interactor 中。将每一个 segment 当做是一个时刻，每一个 proposal p 被表示为 $F_p$，这是一个维度为 $d_p$ 的视觉特征。
2.2. Attentive Interactor：
从视频和给定的句子得到的 instance proposals，作者提出一种 attentive interactor 来刻画不同 proposal 和 sentence 之间的匹配关系。所提出的 attentive interactor 包含两个连接的成分，分别是 interaction 和 matching behavior characteristic，如图 3 所示。
在进入到 interactor 的细节之前，我们首先引入 query sentence q 的表达。首先用 word2vec 得到每一个单词的映射，即 300维的向量，并且忽略字典中未出现的单词。按照这种方法，每一个句子 q 可以被表达为 Fq。
2.2.1. Interaction：
作者用两个 LSTM 网络来编码 instance proposal 和 sentence，即：
其中，$f^p_t$, $f^q_t$ 是 Fp 和 Fq 中第 t 行的表示。此外，作者引入 attention 机制将图像和文本之间进行交互：
2.2.2. Matching Behavior Characterization:
在得到一组由视觉引导的句子特征后，作者将 visual feature 和 sentence feature 进行细粒度的匹配。具体来说，第 i 个 visual 和 sentence feature 之间的匹配行为可以定义为： 
这其中最最要的函数，本文实验采用的是 cosine similarity。最终，作者定义了 instance proposal p 和 sentence q 之间的匹配行为如下：
2.3. Loss Function：
本文的优化目标是：ranking loss + diversity loss。
在测试阶段，给定 language 和 video，直接提取他们的 feature，然后选择和 language feature 最匹配的 instance proposal 当做是定位的结果。
3. Experiment：
