【寫在前面】

本文介紹的是今年CVPR的最佳學生論文提名的工作：ClipBert。這篇論文解決了以前工作中對于視頻-語言任務訓練消耗大、性能不高、多模態(tài)特征提取時沒有交互等問題。另外，這是一篇用Image-Text 預訓練的模型去解決Video-Text的任務。以前的Video-Text任務大多是對視頻進行Dense采樣，而本文通過預訓練的Image-Text模型，對視頻進行稀疏采樣，只需要很少的幀數(shù)，就能超過密集采樣的效果，進而提出了本文標題中的 “Less is More”。

1. 論文和代碼地址

Less is More: CLIPBERT for Video-and-Language Learning via Sparse Sampling

論文地址：https://arxiv.org/abs/2102.06183

代碼地址：https://github.com/jayleicn/ClipBERT

2. Motivation

在這篇文章之前，大多數(shù)解決Video-Language任務的工作的框架圖都是如上圖所示的這樣，對視頻和語言分別提取特征，然后通過多模態(tài)信息的融合結(jié)構(gòu)，將兩個模態(tài)的信息embedding到一個共同的空間。

這樣的結(jié)構(gòu)具有兩個方面的問題：

1） Disconnection in tasks/domains：缺少了任務之間的聯(lián)系，比如在動作識別任務中提取的特征，并不一定使用于下游任務（比如：Video Captioning），由于存在任務之間的gap，這樣的特征提取方式會有導致sub-optimal的問題。

2） Disconnection in multimodal features：缺少了特征之間的聯(lián)系，兩個特征提取分支在提取特征過程中沒有進行交互，導致視覺和語言信息并沒有得到充分聯(lián)系。

除此之外，在提取視頻特征的時候，由于相比于圖片特征，視頻會多一個時間維度，因此提取視頻特征是非常耗時、并且計算量是非常大的。

基于以上的問題，本文提出了CLIPBERT，一個端到端的視頻-語言學習框架（結(jié)構(gòu)如上圖）。相比于以前的框架，本文主要有下面幾個方面的不同：

1）以前的方法是對原始視頻以dense的方式提取特征，非常耗時、耗計算量。但是眾所周知，視頻中大多數(shù)的幀其實都是非常相似的，對這些相似的幀進行特征提取確實比較浪費（而且就算提取了信息，模型也不一定能夠?qū)W習到，如果模型的學習能力不夠，過多的冗余信息反而會起到反作用）。因此，本文對視頻采用稀疏采樣，只采用很少的幾張圖片。

2）如果對這些采樣的clip拼接后同時計算，這就相當于又多了一個維度，就會增加計算的負擔。因此本文是對每一個clip分別計算后，然后再將計算結(jié)果融合，來減少計算量和顯存使用，從而來實現(xiàn)端到端的視頻-語言任務。

另外，本文還有一個創(chuàng)新點就是用圖片-語言數(shù)據(jù)集進行預訓練，然后在視頻-語言數(shù)據(jù)上微調(diào)，因此本文將圖片-語言數(shù)據(jù)集上學習到的信息轉(zhuǎn)換到了視頻-語言這個下游任務中，并且效果非常好。

3. 方法

3.1. Previous work

以往的方法對于視頻-文本任務，往往都是直接對密集的視頻V和文本S提取特征，每個視頻V可以被分成N個clip，因此，以前視頻-文本任務的模型可以被建模成下面的公式：

模型的損失函數(shù)為基于預測值 和Ground Truth 的特定任務損失函數(shù)：

3.2. 隨機稀疏采樣

為了減少計算量，作者對視頻進行了稀疏采樣，只采樣了很少的視頻幀數(shù)，來表示視頻的信息，因此本文的模型可以用下面的公式表示（第i個clip的信息可以被表示成 ）：

作者對每一個clip的特征分別進行預測，然后在將每個clip的預測信息進行融合，本文模型的損失函數(shù)如下（G是聚合不同clip信息的函數(shù)）：

由于在訓練中，同一視頻每次采樣的圖片并不一樣，所以本文使用的稀疏采樣方法也可以被看作是一種數(shù)據(jù)增強。因為在以往的方法中，是用整個視頻進行訓練的，全部的視頻信息都暴露在模型中；而隨機稀疏采樣每次都暴露幾個clip的信息，并且每次暴露的clip還是不同的，因此就起到了數(shù)據(jù)增強的效果（就像CV中的Random Crop，不采用數(shù)據(jù)增強的話，就將整張圖片暴露給模型；如果使用Random Crop，每次都會對圖片進行隨機裁剪，只暴露圖片的一部分信息，并且由于裁剪是隨機的，所以每次暴露的信息也是不一樣的）。

3.3. 模型結(jié)構(gòu)

本文的模型結(jié)果如上圖所示：

對于視覺編碼器，本文采用的是2D CNN結(jié)構(gòu)ResNet-50，因為相比于3D的CNN結(jié)構(gòu)，2D的結(jié)構(gòu)使用的顯存更少、速度更快。

圖中的Spatial Downsampling模塊，作者采用的是2x2的max-pooling。

圖中的Temporl Fusion模塊，本文采用的mean-pooling，來聚合每個clip中T個幀的信息，得到clip級別的特征表示。

然后采用row-wise和column-wise的position embedding來實現(xiàn)2D的Position Embedding。

對于語言編碼器，作者采用了一個work embedding層進行本文信息的映射，然后采用position embedding進行特征位置的編碼。

接著，作者又加入了一個type embedding層，對輸入特征的類型（視覺或語言）進行編碼。

最后，只需要讓這些視覺和語言特征進入一個12層的Transformer中進行訓練即可。

4. 實驗

4.1. Image Size

為了確定最合適的輸入圖片的大小，作者首先在Image Size上做了實驗：

從圖中可以看出，圖片大小從224→448的過程中，性能提高顯著；但將448的圖片繼續(xù)放大，性能提升就不太顯著了，甚至部分指標已經(jīng)開始下降了。

4.2. 幀信息的聚合

實驗中，每個clip采樣了T幀，為了探究如何對這些幀的信息進行聚合，獲得clip級別的特征表示，作者嘗試了以下方法：

可以看出，Conv3D和Conv(2+1)D的方法明顯沒有Mean Pooling好。

4.3. 測試時的clip數(shù)量

為了探究測試時采用多少clip的信息合適，作者進行了下面的實驗：

可以看出，clip≤4，隨著clip的增加，性能顯著提升；clip>4，隨著clip的增加，性能提升不顯著。此外，每個clip采樣兩幀明顯比采樣一幀的效果好。

4.4. 訓練時的clip數(shù)量

為了探究訓練時采用多少clip的信息合適，作者進行了下面的實驗：

總體上來說，訓練時clip數(shù)量從1→2時，效益最顯著。比如在LogSumExp函數(shù)下，clip從1增加到2，R1高了2.8%;clip從2增加到16，R1高了1.9%。

4.5. 稀疏隨機采樣 vs.密集均勻采樣.

可以看出采用4幀的隨機采樣，就比16幀的均勻采樣要好。（因為隨機采樣有了隨機性，就有數(shù)據(jù)增強的效果）

4.6. 相比于SOTA

在多個視頻-語言任務上，本文提出方法的性能能夠大大超過以往的SOTA模型，證明了本文方法的有效性。

5. 總結(jié)

本文提出了一個端到端的視頻-語言訓練框架，只采樣了視頻中的部分信息，就能超過以前密集采樣的方法，證明了“l(fā)ess is more”思想的有效性。另外，本文的方法在多個數(shù)據(jù)集、多個任務上都遠遠超過以前的SOTA方法。