前言

视频embedding化也即表征有很多实际的应用场景，比如文本-视频 pair的检索等等。由于视频一般来说较长，所以对于给定的一段话，其中的某些sentence句子一般对应着视频中某几个clip片段，之前常规的做法都是去匹配所有的sentence-clip pairs对。

但是这种单元级别匹配的做法会天然的忽略掉全局的时间序列，这样就在一定程度上限制了泛化性，比如对于一些背景相似的视频，通常会出现一种匹配错误的情况（如下图(a)(b)在画面视觉上很相似，但是分别对应着文本(1)(2)），为此本文提出了一种序列对比学习用以解决这种问题。

如果有小伙伴对多模态方向有兴趣，可以选择性的翻看笔者之前的文章进行穿梭，比如：

《多模态预训练模型综述》：https://zhuanlan.zhihu.com/p/435697429

《第一个大规模中文视频多模态相似度数据集》：https://zhuanlan.zhihu.com/p/539833773

《多模态事件图谱》：https://zhuanlan.zhihu.com/p/530325352

《最新图文大一统多模态模型：FLAVA》：https://zhuanlan.zhihu.com/p/453581899

等等，感兴趣的小伙伴可以参考～

本次分享论文：https://arxiv.org/pdf/2212.13738.pdf

方法

• 任务定义

假设有一对样本(一段文本或者一个视频) ，由于文本或者视频通常来说比较长，网络比较难一次性提取表征，所以需要切片即 ，其中 就是 的第i个切片， 就是切片的总长度， 是表征后向量的维度；同理 的含义同上；在匹配的时候， 的某一个分片 可以对应 的连续几个分片 其中 是 对应 的那几个连续分片的开始和结束分片。

• 序列对比学习

对比学习，相信大家都不陌生，主要就是要找正负样本对，然后直接套用公式即可。

每一个Paragraph段落由多个sentence句子组成，每个句子对应一个视频segment，每个视频segment由多个视频clip分片组成。

假设有一个正样本对 ，其首先通过随机shuffle 乱 得到 ，这样就打破了 和 在时间序列上的一致性，同时为了考虑 segment-level 级别的匹配，所以作者在具体打乱的时候是先修改segment的顺序，然后再在每个egment中打乱各自的顺序。

在得到 后，就可以做对比学习了即S_{a}和 做对比学习：

• Sequence-level distance

为了更好的检索，作者这里借鉴了DTW(Dynamic Time Wrapping)算法，该算法可以计算两个时间序列的相似度，尤其适用于不同长度、不同节奏的时间序列。其本质上是一个动态规划问题（更细节的大家可以直接查询即可，很多资料）：

作者这里对应的设计了一个矩阵 ，首先 和 中至少得存在一个能够匹配上即 同时假设 和 匹配，那么 将不能和 中的任一个匹配也即 ；有了这个矩阵也即 ；最终两个序列的距离就是

同时作者还实验了DTW的一个变种算法OTAM。

实验

作者也进行了很多实验，这里贴一个检索任务的实验，可以看到相对于基线还是有一些提高的。

总结

大家可以学习一下怎么把序列信息应用到对比学习中以及了解一下DTW算法。

关注

欢迎关注，下期再见啦~

知乎，csdn，github，微信公众号