概览：本文介绍一篇 NeurIPS 2024 的工作，提出了一种新的视频时序定位扩展任务。传统的视频时序定位任务（Temporal Sentence Grounding，TSG）假设给定的视频中必然包含与指定查询文本相关的片段，但这一假设在实际应用中并不总是成立。
针对这一问题，作者提出了 TSG 的扩展任务——相关反馈的视频时序定位任务（Temporal Sentence Grounding with relevance feedback，TSG-RF）。TSG-RF 任务允许给定的视频中没有与查询文本相关的片段，首先要求预测视频中是否存在与指定查询文本相关的片段，如果存在则需从视频中精确定位与查询文本匹配的片段的起止位置，反之则不进行定位。
针对 TSG-RF 任务，作者设计了关系感知的视频时序定位框架（Relation-aware Temporal Sentence Grounding，RaTSG）。该框架通过将 TSG-RF 任务转化为前景与背景检测问题，利用多粒度相关性判别器捕捉文本与视频的语义关联，并通过关系感知定位模块动态调整是否执行定位操作。
此外，作者重构了 TSG 任务常用的 Charades-STA 和 ActivityNet Captions 数据集，使得两个数据集适用于 TSG-RF 任务的评价。大量实验结果表明，本文提出的 RaTSG 方法在 TSG-RF 新任务上有效性。目前 TSG-RF 任务的性能还不是很高，未来仍有很大的提升空间。
Temporal Sentence Grounding with Relevance Feedback in Videos收录会议：
论文链接：
https://openreview.net/pdf?id=eOonmxzzno代码链接：
https://github.com/HuiGuanLab/RaTSG
引言
视频时序定位任务（TSG）在智能机器人服务、视频点播、元宇宙等多媒体应用中有着广泛的应用前景。近年来，TSG 任务取得了显著进展，目标是根据自然语言描述，从长视频中精确检索出语义相关的片段。
然而，现有 TSG 方法假设每段视频中始终存在与查询文本相关的内容。这种设定在实际场景中并不现实，视频中可能完全不存在相关内容，导致传统方法生成错误的定位结果。
为应对这一挑战，本文提出了一种全新的任务——相关反馈的视频时序定位任务（TSG-RF），允许视频中可能不存在与查询文本相关的片段。当视频中存在与查询文本语义相关的内容时候，需要进行精确定位，否则需要明确告知用户当前查询无相关结果。与传统 TSG 相比，该任务更加灵活，适用于更复杂的实际场景。
▲ 图一 TSG-RF 任务与传统的 TSG 任务之间的区别针对 TSG-RF 新任务，作者提出了关系感知的视频时序定位框架（RaTSG），将 TSG-RF 任务定义为前景与背景的检测问题，不仅关注相关片段的定位，还支持查询文本和视频之间的部分相关性判别。
RaTSG 引入了一种多粒度相关性判别器，将细粒度的帧级相关性与粗粒度的全局级相关性相结合，系统性地捕捉查询文本与视频之间的部分语义相关性。此外，设计了关系感知的片段定位模块，能够基于前期相关性判别的反馈，动态选择是否执行片段定位操作，从而解决了传统方法在无相关内容场景下错误预测的局限性。
论文贡献总结如下：
1. 提出了一个更贴合实际应用场景的新型视频时序定位任务的扩展任务，即相关反馈的视频时序定位任务（TSG-RF）。
2. 针对 TSG-RF 任务，提出了一种全新的关系感知的视频时序定位框架（RaTSG），主要包括多粒度相关性判别器和关系感知的片段定位。多粒度相关性判别器基于查询文本与视频帧和视频整体之间的细粒度和粗粒度相关性进行相关性反馈预测，关系感知片段定位模块根据相关性反馈自适应地预测片段的开始和结束边界。
3. 本文重新构建了两个常用的 TSG 数据集，并建立了符合 TSG-RF 任务设置的评估指标。大量实验表明，所提出的框架在这些重构的数据集上表现出了卓越的效果。
方法
为了解决 TSG-RF 任务，本文提出了一个名为关系感知视频时序定位框架（RaTSG）。该框架主要依赖两个模块：多粒度相关性判别器和关系感知片段定位模块。
其中，多粒度相关性判别器通过在帧级和视频级别上分析文本和视频之间的语义关系，生成是否存在查询相关内容的反馈信息。关系感知片段定位模块依据这些反馈信息动态选择是否进行片段定位，并预测起止边界。
▲ 图二 具体方法示意图
在生成片段定位结果之前，需要首先评估视频与查询文本之间的语义相关性。为此，作者设计了一个多粒度相关性判别器，通过帧级和视频级的相关性分析来判断视频是否包含与查询相关的片段。
2.1.1 帧级相关性判别
为了判别给定的视频中是否存在与查询文本相关的片段，其关键在于学习文本与视频之间是否存在相关性。理论上，对于存在与指定查询文本相关片段的视频，处于开始、结束索引边界之间的前景帧特征应当与查询文本的句子级特征具有较强的相关性；而在一个没有相关片段的视频中，其视频中不存在任何与文本相关的前景帧。根据上述经验，作者设计了帧级判别器，通过学习查询文本与每一帧的相似度来确定帧是否与查询相关。具体地，通过前馈神经网络对视频帧序列进行编码，预测每一帧与查询的相关性得分。利用 sigmoid 函数将得分映射到 0 到 1 之间，表示帧属于前景的概率 。通过对前景帧预测分数序列中的最大值操作，得到文本与视频之间的相关性得分，即细粒度判别分数：。如果得到一个较低的最大值，则说明视频中不存在任何前景帧；如果得到一个较高的最大值，说明视频中至少存在一个前景帧。值得注意的是，最大值操作借鉴了多示例学习思想，将整个视频当做一个包，每个帧看做一个示例，只要视频中有一帧与查询文本的相关度比较高，则认为视频和查询文本存在相关性；所有帧都与查询文本不相关，则整个视频和查询文本不存在相关性。为了优化帧级相关性判别器，定义帧级相关性损失函数 ，如下：其中， 是帧数， 是帧的真实标签（1 表示前景，0 表示背景）， 是第 帧的相关性得分。在帧级相关性捕获的基础上，视频级相关性判别模块通过生成全局视频表示并结合查询文本，进一步评估视频与查询在语义上的整体相关性。为此，引入了关系信号向量 ，该向量融合了视频和文本之间语义相关性知识。
首先，根据帧级相关性得分 对每帧的文本引导增强特征 进行加权求和，生成全局视频表示 。随后，查询文本的句子级特征 与全局视频表示 结合，通过一层全连接网络生成关系信号向量 。基于关系信号向量 ，通过 sigmoid 函数计算视频级粗粒度相关性分数 ，即：
该粗粒度分数 全面描述了查询文本与整个视频的语义相关性。
为了训练视频级相关性判别器，作者定义了二元交叉熵损失 来优化视频和文本之间的粗粒度相关性分数判别：
其中， 是视频的相关性标签（1 表示视频中存在与查询相关的内容，0 表示不存在相关内容）。
在获取查询与视频的相关性分数后，为了准确预测目标片段的起止边界，本文设计了一个关系感知片段定位模块。该模块利用从视频级相关性判别器中获得的关系信号向量 ，动态调整定位策略，以适应查询相关内容可能缺失的情况。
2.2.1 特殊标记的引入
为处理视频中不存在与查询相关片段的情况，本文在原始视频特征序列的最后加入了一个特殊标记特征（index 0），表示查询在该视频中无相关内容。该标记不仅表示片段边界的起止索引为 ，还引入了上下文关系信息，帮助模型显式捕获“无相关内容”的场景。具体而言，若样本中不存在与指定查询文本相关的片段，则边界标签被设置为 。反之，若样本中存在与查询相关的片段，其边界标签 ，其中 和 分别是片段的起始和结束帧索引。为了使片段定位模块能够动态感知视频是否包含查询相关的片段，本文使用视频级关系信号向量 作为片段定位模块的输入特征。若 中的信号表示视频包含相关内容，则模块会进一步预测片段的起止边界；若 中的信号表示视频中没有相关内容，则直接输出 作为边界。2.2.1 边界预测方法
片段定位模块采用两层单向 LSTM 结合两层前馈网络（Feed-Forward Layer）来预测片段的起止边界。模块通过概率分布 和 分别表示片段起始和结束边界的预测结果。为优化片段定位性能，本文设计了边界预测损失函数 ，即：其中， 和 分别是起始边界和结束边界的真实分布， 和 是模型预测的边界概率分布。2.3 训练与推理
2.3.1 总损失函数
为了优化模型在 TSG-RF 任务中的表现，RaTSG 的训练过程联合优化了多粒度相关性判别器和关系感知片段定位模块的损失，总损失函数 包括以下三部分：1. 边界预测损失（）：用于优化片段的起止边界预测。2. 帧级相关性损失（）：用于优化帧级相关性判别器。3. 视频级相关性损失（）：用于优化视频级相关性判别器。总损失函数的公式如下：
其中， 和 是超参数，用于平衡不同损失项的重要性。
在推理阶段，RaTSG 首先通过计算多粒度相关性得分 来判断查询相关内容是否存在于视频中。具体来说，模型将 与设定的阈值 进行比较：
对于判定为“存在相关内容”的样本，RaTSG 进一步通过片段定位模块预测目标片段的起止边界（）。边界预测基于起始边界和结束边界的概率分布 和 。
具体地，计算开始边界概率分布 和结束边界概率分布 的联合概率分布矩阵，概率联合分布矩阵中最大值的二维索引即为预测片段的开始边界索引（）和结束边界索引（），即：
实验
3.1 数据集重构
由于目前没有为 TSG-RF 任务创建的数据集，为了构建 TSG-RF 任务的测试环境，本文重构了两个在 TSG 任务领域使用广泛的数据集 Charades-STA 和 ActivityNet Captions 的验证集和测试集，得到 Charades-RF、ActivityNet-RF 重构数据集。
在原始数据集中，一个视频会对应多个查询文本，如图三所示，视频 对应 个有检索结果的查询文本 。对于每个文本，都要通过随机匹配其他视频的方式构造与查询文本不相关的片段样本。
由于我们提出的 TSG-RF 任务要求模型提供相关反馈，即判断样本是否有可定位的结果，我们使用准确率（Acc） 来衡量相关性反馈的能力。
为了评估模型的定位能力，作者参考 TSG 任务重常用的 R{n}@{m} 和 mIoU 作为评估指标。其中，R{n}@{m} 表示在排名前 n 的候选片段中，至少有一个片段与真实片段的 IoU（交并比）大于 m 的查询文本的比例。mIoU 表示所有测试样本中 IoU 的平均值。
值得注意的是，由于样本中包含无定位结果的情况，作者重新定义了 IoU 的计算方式，具体包括以下四种情形：
1. 当模型预测样本没有定位结果，但真实情况中存在定位结果时，IoU 设为 0。
2. 当模型预测和真实情况都表明样本没有定位结果时，IoU 设为 1。
3. 当模型预测样本有定位结果，但真实情况中没有定位结果时，IoU 设为 0。
4. 当模型预测和真实情况都表明样本有定位结果时，IoU 的值是模型预测片段和真实片段之间的交并比（IoU）。
3.3 和Baseline模型进行比较
由于当前尚无专门针对相关反馈的视频时序定位（TSG-RF）任务设计的模型，本文对现有的视频时序定位（TSG）模型进行了适配。具体而言，作者选取了六个近期公开源码且具有代表性的 TSG 模型，包括 VSLNet、SeqPAN、EAMAT、ADPN、UniVTG 和 QD-DETR。
为使这些模型能够支持 TSG-RF 任务，本文在其基础上引入了一个独立训练的相关性判别器，用于判断查询文本与视频内容的相关性，从而筛选出与查询相关的视频样本。
随后，这些样本被输入到原有的 TSG 模型中进行目标片段的时序定位预测。扩展后的模型分别命名为 VSLNet++、SeqPAN++、EAMAT++、ADPN++、UniVTG++ 和 QD-DETR++，能够提供针对 TSG-RF 任务的相关性反馈功能。
在 Charades-RF 和 ActivityNet-RF 数据集上的性能对比总结显示，传统的视频时序定位（TSG）模型缺乏区分样本相关性的能力。这些模型默认所有样本都存在定位结果，导致在处理无相关内容样本时性能较差，进一步引发预测不匹配问题，从而降低了 TSG-RF 任务中的召回率和 mIoU 指标。
此外，由于测试集包含等比例（1:1）的相关和无相关样本，这些模型的相关性预测准确率仅为 50%。相比之下，增强版的基线模型（VSLNet++、SeqPAN++、EAMAT++、ADPN++、UniVTG++ 和 QD-DETR++）通过引入相关性判别器，在性能上相较于未增强版本有显著提升。
然而，这些增强版模型需要对相关性判别器和视频定位模块进行独立训练，导致计算资源的冗余使用以及模型规模的增加。与之相比，本文提出的 RaTSG 模型通过将相关性判别和时序片段定位模块无缝整合，提供了一种更轻量化且全面的解决方案。
在性能方面，RaTSG 在召回率、mIoU 以及相关性反馈准确率等指标上均实现了最优表现，同时大幅减少了模型的复杂性和计算资源的使用。
3.4 消融实验
3.4.1 多粒度相关性判别器的有效性
为了分析多粒度相关性判别器的作用，实验分别测试了仅使用帧级相关性、仅使用视频级相关性以及结合两者的性能。
结果显示，单独使用帧级或视频级相关性判别时，模型的相关性反馈准确率有所下降；而结合帧级和视频级的多粒度判别器时，性能得到显著提升。这表明，多粒度判别器能够有效捕捉局部细节与全局语义，提升模型对相关性判断的准确性。
3.4.2 关系感知片段定位模块的有效性
通过去除关系感知定位模块进行对比，结果表明，该模块对目标片段的定位性能具有显著影响。具体而言，去除该模块后，模型在召回率（R1@IoU）和 mIoU 指标上均出现明显下降。这验证了关系感知模块在动态调整定位决策方面的有效性，特别是在“无相关片段”场景下能够减少误定位问题。RaTSG 是一种同时执行相关性判别与时序片段定位任务的统一模型，采用多任务学习的方式进行训练。为探究这两个任务之间的相互关系，分别去除了模型中的时序片段定位模块和相关性判别器进行对比实验。
结果显示，去除片段定位模块会降低相关性判别的性能，说明定位结果能够为相关性判别提供辅助信息；而去除相关性判别器则会导致片段定位性能下降，表明相关性判别能够为片段定位任务提供有效的先验约束。实验结果证明了这两个任务在 RaTSG 模型中能够相互增强，从而提升整体性能，进一步验证了本文提出的双分支统一框架设计的有效性。
图四展示了 RaTSG 和基线模型 VSLNet++ 在两个示例上的定位结果，可用来分析两者在具有相关片段和无相关片段样本上的表现差异。对于第一个具有相关片段的示例，RaTSG 在定位查询文本对应的目标片段时表现得更准确。
具体而言，RaTSG 的前景帧预测分数更加合理，这是因为模型在训练过程中包含了无相关内容样本，使其能够学习背景帧与文本之间的特征相似性，从而提升了区分前景帧和背景帧的能力。
对于第二个无相关内容的示例，RaTSG 能够正确地预测出较低的前景帧分数，并提供了准确的相关性反馈。RaTSG 的关系感知片段定位模块高概率地分配特殊标记索引 0，表明不存在相关片段。
而相比之下，VSLNet++ 错误地预测了较高的前景帧分数，并给出了错误的相关性反馈，最终导致了错误的片段定位结果。
▲ 图四 RaTSG 模型与基线模型 VSLNet++ 的定位示例可视化结果
总结
本文突破了现有视频时序定位（TSG）方法的瓶颈，针对查询文本对应片段可能不存在的实际问题，提出了一项更具现实性和自然性的扩展任务——TSG-RF。通过在时序片段定位模型中引入多粒度相关性判别器，并设计任务间的相互增强机制，所提出的方法能够高效、精准地定位包含相关内容的视频片段；同时在无相关内容时提供明确的反馈，指出查询内容不存在对应片段。此外，本文重构了两个适用于 TSG-RF 任务的数据集，为后续研究奠定了坚实的实验基础。
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：[email protected]
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
