视频教学动作修饰语：CVPR2020论文解析
Action Modifiers: Learning from Adverbs in Instructional Videos
论文链接：https://arxiv.org/pdf/1912.06617.pdf
摘要
我们提出了一种从结构视频中学习副词表达的方法，该方法使用对伴随叙述的弱监督。我们的方法的关键是，副词的视觉表现高度依赖于它所适用的动作，尽管同一个副词会以类似的方式修改多个动作。例如，虽然“快速传播”和“快速混合”看起来不一样，但我们可以学习一种通用表示法，它允许我们在其他动作中同时识别这两种动作。我们将其描述为一个嵌入问题，并利用标度点积注意从弱监督视频叙述中学习。我们共同学习副词作为在嵌入空间上操作的可逆变换，以增加或消除副词的效果。由于目前还没有关于弱监督副词学习的研究，我们从How-To-100M数据集中收集了6个副词的成对动作副词注释：快/慢、粗/粗、部分/完全。该方法在视频副词检索中的性能优于所有基线，达到了0.719map。我们还演示了我们的模型处理相关视频部分的能力，以便确定给定动作的副词。
1. Introduction
教学视频是一种受欢迎的媒体类型，全世界数百万人观看它来学习新技能。之前的几部作品旨在从这些视频中学习完成任务所需的关键步骤[1，30，45，62]。然而，确定这些步骤或它们的顺序并不是一个人完成任务所需要的全部；有些步骤需要以某种方式执行才能达到预期的结果。例如，做一个蛋白酥饼的任务。专家会向你保证逐渐加入糖是非常重要的，并通过轻轻折叠混合物来避免打过头。这与最近评估日常任务执行情况的工作有关[10，11，26]，然而，这些工作并没有评估个人行为，也没有确定是否按照食谱的建议执行过。与前面的例子一样，带有此类警告的步骤通常由描述应该如何执行操作的副词表示。这些副词（如快速、温和等）概括成不同的动作，并改变动作的方式。因此，我们将其作为动作修改器来学习（图1）。
为了学习各种任务和动作的动作修改器，我们利用在线教学视频资源和附带的叙述。然而，这种形式的监督是软弱和喧嚣的。不仅叙述与视频中的动作大致一致，而且通常叙述的动作可能无法在视频中全部捕获。例如，YouTube的教学视频可能会被描述为“快速倒入奶油”，但视觉效果只显示已经添加的奶油。在这种情况下，视频对学习副词“快”没有帮助。
作为本文的主要贡献，我们建议第一种弱监督学习副词的方法，将相关的视频片段嵌入到一个潜在的空间中，在这个空间中学习副词作为转换。我们从HowTo10000M数据集中任务子集的叙述中收集动作副词标签[33]。该方法对视频副词检索和视频副词检索进行了评估，并显示出比基线显著的改进。此外，我们提出了一项全面的消融研究，证明共同学习良好的动作嵌入是学习动作修改者的关键。
2. Related Work
Instructional Videos
在这项工作中，我们提供了一个新颖的见解，如何使用这些教学视频超越步骤识别。我们的工作利用了最近发布的HowTo1亿数据集[33]中的视频，学习副词及其与这些任务中关键步骤的相关性。
Learning from Parts-of-Speech in Video
这项工作使用包括动作边界框在内的全面监督。相反，在这项工作中，我们的目标副词代表的方式，一个行动是执行，只使用微弱的监督从叙述。
Object Attributes in Images
虽然有些作品学习动作的属性[28、43、58]，但这些作品检测特定属性的组合（例如“户外”、“使用牙刷”）以执行零镜头识别，而不将副词视为属性。
Weakly Supervised Embedding
在我们的工作中，我们同时嵌入视频的相关部分，同时学习副词如何修饰动作。
3. Learning Action Modifier
输入到我们的modela反应副词叙述和附带的教学视频。图2（a）显示了一个结构视频示例，用“…从快速滚动柠檬开始…”进行叙述，从中我们可以快速识别动作滚动和副词（见Sec. 3.4了解NLP详细信息）。经过训练，我们的模型能够评估在测试集中，相同或不同动作的视频，在学习副词的过程中，是否得到了快速的实现。我们在图2中概述了我们的方法。我们学习如图2（b）所示的联合视频文本嵌入，其中相关视频部分嵌入（蓝点）接近副词修饰动作“快速滚动”（黄点）的文本表示。我们回顾了联合视频文本嵌入通常是如何在 Sec. 3.1中训练。本节还介绍了本文其余部分的注释。学习问题的嵌入存在两个主要挑战，即从教学视频中的副词学习。首先是将动作的表示与副词分开，让我们了解同一个副词如何应用于不同的动作。我们建议学习副词作为动作修饰语，每个副词一个，如图2（c）所示。Sec. 3.2我们介绍了这些动作修改器，我们将其表示为嵌入空间中的变换。第二个挑战是以弱监督的方式从视频的相关部分学习视觉表示，即没有时间界限的注释。Sec. 3.3提出了一种利用多头标度点积注意的弱监督嵌入函数。这使用动作的文本嵌入作为查询来关注相关的视频部分，如图2（d）所示。
3.1. Learning an Action Embedding
我们的基本模型是一个联合视频文本嵌入，如[32,52,54]。具体地说，给定一组具有对应动作标签a∈a的视频片段x∈x，我们的目标是获得两个嵌入函数，一个视觉的，一个文本的，f:x→E和g:a→E，使得f（x）和g（a）在嵌入空间E中很接近，f（x）与其他动作嵌入g（a）很遥远。
3.2. Modeling Adverbs as Action Modifiers
虽然动作没有副词，但副词是通过与动作相关联的定义而存在的，只有与动作相关联时才能获得视觉表现。虽然副词对不同的动作有着相似的作用，但视觉表征对动作的依赖性很强。因此，我们遵循文献[36]关于视频文本嵌入空间E（Sec3.1）中对象-属性对和模型副词作为学习转换的先前工作。当这些转换修改动作的嵌入时，我们称之为动作修改器。
3.3. Weakly Supervised Embedding
从图像中学习对象属性的所有先前工作[7、20、34、36、37]都利用完全注释的数据集，其中属性所涉及的对象是图像中唯一感兴趣的对象。相比之下，我们的目标是以弱监督的方式从视频中学习动作修改器。我们的输入是包含多个连续动作的未剪辑视频。为了学习副词，我们只需要从与动作相关的视频部分（如图2示例中的“roll”）进行视觉表示。我们建议使用缩放点积注意[49]，其中嵌入的感兴趣的动作充当查询来识别相关视频部分。
3.4. Weakly Supervised Inference
经过训练，我们的模型可以用来评估视频和副词的跨模态检索。对于从视频到副词的检索，我们考虑视频查询x和叙述动作a，我们希望估计副词m。例如，我们有一个视频，希望确定动作“切片”的执行方式。对于这两种情况，我们都可以使用a查询弱监督嵌入，以便处理相关的视频部分。
4. Dataset
图4显示了从流水线获得的（动作、副词）对与相应视频片段的示例。此外，我们还手动过滤不可见的动作和副词，例如“推荐”和“正常”。我们探索了诸如单词具体程度评分等自动方法[5]，但发现这些方法是不可靠的。我们还将动词分组，以避免出现[8]中的同义词，也就是说，我们认为“put”和“place”是同一个动作。通过这个过程，我们得到了15266个动作副词对的实例。然而，这些副词有一个长长的尾巴，只有少数几次被提及。我们把学习限制在6个常用副词上，这6个副词有3对反义词：“部分地”、“完全地”、“快速地”、“缓慢地”和“完全地”、“粗略地”。这些副词出现在263个独特的动作副词对中，有72个不同的动作。我们给出了分布函数。当我们的训练有噪音时，也就是说，动作不能出现在视频中（参见图4底部），我们会清理测试集，以便对方法进行准确评估。我们只考虑动作副词出现在视频中并且出现在叙述时间戳周围20秒内的测试集视频。这相当于原始测试集的44%，与作者在[33]中报告的50%噪声水平相当。结果训练中有5475个动作副词对，测试中有349个动作副词对。我们认为动词和副词之间的平均时间戳是对动作位置的弱监控。这些动作副词弱时间戳注释和伴随代码是公开可用的2。
5. Experiments Results
比较结果见表1。在视频副词检索中，无论是与所有副词进行比较还是将评价限制在反义词对上，我们的方法都优于所有的基线。我们看到AttributeOp是最好的基线方法，通常比RedWine和LabelEmbed都表现得更好。后两种方法在固定的视觉特征空间中工作，因此当特征在该空间中不可分离时容易出错。我们还可以看到，LabelEmbed在所有指标上的表现都优于RedWine，这表明GloVe特征比支持向量机分类权重的表现更好。虽然AttributeOp在视频“All”副词上的表现略好于我们的方法，但它在所有其他指标上的表现都不如我们，包括我们的主要目标，即在视频查询的反义词上估计正确的副词。
图5示出了视频示例。对于每一个，我们展示了几个动作查询的注意权重。我们的方法能够成功地处理与各种查询操作相关的段。图中还显示了预测动作和预测副词，当使用基本事实动作作为查询时。我们的方法能够预测正确的副词。在最后一个例子中，预测的动作是不正确的，但是该方法正确地识别了相关的片段，并且动作是“缓慢”完成的。我们提供了进一步的见解，学习嵌入空间的补充。
在表2中，我们研究了不同的动作修改器表示（式2）。我们比较了从副词（m）的GloVe式表示（未习得）到三种习得式表示的固定翻译。首先，使用从GloVe嵌入初始化的学习翻译向量bm。第二，我们选择的表示形式是矩阵Wm的二维线性变换，如式2所示。第三，我们学习了一个非线性转换实现为两个完全连接的层，第一个与ReLU激活。结果表明，线性变换明显优于矢量变换和非线性变换。翻译向量没有足够的能力来表示副词的复杂性，而非线性转换则容易出现过切现象。
在表3中，我们比较了我们提出的多头标度点积注意（Sec. 3.3）采用时间聚集和注意力的替代方法。在这个比较中，我们还报告了动作检索结果，用视频到动作的映射。
在图6中，我们评估在弱时间戳周围提取的视频的长度（T）如何影响模型（Sec. 3.3）。对于较大的T，视频更可能包含相关动作，但也包含其他动作。我们的嵌入函数f0（x，a）能够忽略视频中的其他动作，直到某一点，并成功地学会关注给定查询动作的相关部分，从而在T∈{20。。30}。
6. Conclusions