隨著抖音、快手等平臺的火爆出圈，越來越多的用戶開始制作大量的短視頻內容。但對這些視頻進行有效的理解和分析仍面臨一些困難。尤其是視頻時長超過幾分鐘、甚至幾小時，傳統的視頻字幕生成技術往往無法滿足需求。

　　因此，北卡羅來納大學和Meta AI的研究人員開源了，視頻字幕模型Video ReCap。這是一種遞歸視頻字幕生成模型，能夠處理從1秒到2小時的視頻，并在多個層級上輸出視頻字幕。

　　此外，研究人員通過在Ego4D上增加8,267個手動收集的長視頻摘要，引入了一個層次化視頻字幕數據集Ego4D-HCap，并使用該數據集對Video ReCap進行了綜合評估。

　　結果顯示，Video ReCap在短視頻片段字幕、中等長度段描述和長視頻摘要的測試指標均明顯超過多個強大基準模型。通過該模型生成的分層視頻字幕，也能顯著提升基于EgoSchema數據集的長視頻問答效果。

　　VideoReCap模型介紹

　　VideoReCap的核心技術是使用了遞歸視頻語言架構，主要通過遞歸處理機制，使模型能夠在不同的時間長度和抽象層級上理解視頻，從而生成精確且層次豐富的視頻描述字幕。主要由3大模塊組成。

　　1)視頻編碼器：Video ReCap使用了一個預訓練的視頻編碼器，從長視頻中提取特征。對于短視頻片段,編碼器則輸出密集的時空特征。

　　這允許模型捕獲細粒度的詳細信息，對于更高層級的字幕,使用全局特征(如CLS特征),以降低計算成本并捕獲長視頻輸入的全局屬性。

　　2)視頻-語言對齊：該模塊可以將視頻和文本特征映射到聯合特征空間,以便遞歸文本解碼器可以聯合處理兩者。

　　具體來說，使用了一個預訓練的語言模型,通過在每個轉換器塊內注入可訓練的交叉注意力層,從視頻特征中學習固定數量的視頻嵌入。

　　然后,從屬于特定分層的字幕中學習文本嵌入。最后,連接視頻和文本嵌入以獲得聯合嵌入,并交給后續的遞歸文本解碼器使用。

　　3)遞歸文本解碼器：該模塊主要用于處理短、中、長三種視頻的字幕，所以，采用了一種分層的生成策略。首先，使用從短視頻剪輯中提取的特征生成短剪輯級別的字幕。這些短剪輯級別的字幕描述了視頻中的原子動作和低級視覺元素，例如，對象、場景和原子動作等。

　　然后，使用稀疏采樣的視頻特征和上一層級別生成的字幕作為輸入，生成當前層級別的視頻字幕。這種遞歸設計可以有效地利用不同視頻層次之間的協同作用，能高效地生成最多2小時的長視頻字幕。

　　VideoReCap實驗數據

　　為了評估Video ReCap模型,研究人員推出了一個新的分層視頻字幕數據集Ego4D-HCap。該數據集是基于目前最大的公開第一人稱視頻數據集之一Ego4D。

　　Ego4D-HCap主要包含三個層次的字幕:短剪輯字幕、幾分鐘長的段描述和長段視頻摘要,用于驗證分層視頻字幕任務的有效性。

　　結果顯示,在所有三個時間層級,Video ReCap模型都大幅度優于之前的強大的視頻字幕基準模型。此外,還發現遞歸架構對于生成段描述和視頻摘要非常重要。

　　例如,不帶遞歸輸入的模型在段描述生成方面CIDEr性能下降1.57%,而在長時間視頻摘要生成方面下降了2.42%。

　　研究人員還在最近推出的長序視頻問答基準EgoSchema上驗證了該模型。結果顯示,Video ReCap生成的分層視頻字幕可以將文本問答模型的性能提高4.2%，并以50.23%的整體準確率刷新了記錄,比之前的最佳方法提高了18.13%。