Allen AI提出MERLOT，视频理解领域新SOTA！

文 | Yimin_饭煲

2021年，多模态领域大概是人工智能研究者们关注者最多的一个领域了。随着各种模态数据集的增长和算力的发展，研究者们开始不断地尝试在一个模型中融合来自各个模态的信息。

而在多模态领域的研究中，和视频相关的任务被认为是最复杂的。

一方面，高质量的视频数据集比图像数据集更加困难，因此数据集的数量和质量往往受限；另一方面，视频数据集中含有文本、图像、语音等多个模态的信息，还要考虑时间线，融合起来比单纯的图像-文本数据更加复杂。

在AI领域久负盛名的Allen研究所向这一复杂的问题发起了挑战，提出了MERLOT系列工作。

第一篇 MERLOT:Multimodal Neural Script Knowledge Models 发表于Neurips 2021, 使用了大量的视频数据进行自监督预训练，在12个视频问答任务上取得了SOTA；

而第二篇 MERLOT Reserve:Neural Script Knowledge through Vision and Language and Sound 则于今年年初刚刚发布，进一步深度融合了视频中的语音信息，在多个任务上又取得了明显提升。下面，就让我们一起来学习这两篇十分Solid的工作吧~

论文链接:
MERLOT:
https://arxiv.org/pdf/2106.02636.pdf
MERLOT Reserve:
https://arxiv.org/pdf/2201.02639.pdf

主要方法

MERLOT这一工作使用了视觉编码器、语言编码器和联合编码器。作者们设计了三个任务来进行优化。

第一个任务是Contrastive Frame-caption matching(标题-帧匹配)，作者们使用视觉编码器编码图片得到的[CLS]表示和文本编码器编码句子得到的[CLS]表示进行对比学习，使得图像编码器具备较好的表示学习性能。

第二个任务是Masked Language Modeling，对模型的语言建模能力进行优化。

第三个任务是Temporal Reordering, 在40%的情况下, 随机选择一个整数, 从视频输入中的所有帧中随机选取帧并进行打乱，将位置编码 (e.g. )替换为随机且独特的位置编码(e.g.). 这些随机的位置编码和原有的位置编码分别进行学习，可以让模型学到恢复被扰乱的帧顺序的能力。

这个任务的损失函数是针对一对视频帧拼接隐状态，使用两层MLP分类器进行二分类(和的前后关系)。

MERLOT Reserve这一工作相比于MERLOT引入了新的模态：语音。

为了更好的融合来自三个模态的信息，作者们提出了更通用，更统一的训练任务。

对于每一个Batch的输入，只输入视频的帧和文本/语音中的一个（由于文本和语音的信息具有重复性), 并且MASK文本/语音中的一部分。作者们提出了对比区域匹配(Contrastive Span Matching)这一任务, 给定匹配的视频帧/文本/语音数据，以文本为例，最小化交叉熵损失函数：

其中为[MASK]位置的隐状态表示，为[MASK]掉的信息的隐状态表示，为Batch中其他样本(负样本)的隐状态表示。同理定义了，定义：

同样的，可以定义和。定义总体的损失函数为：

作者们还使用了一些技巧来提升得到的特征表示的质量，感兴趣的小伙伴可以去原文细读~。

数据集

对于大规模的预训练工作，除开训练方法之外另一个值得关注的部分就是使用的数据集了。

MERLOT收集的数据集为YT-Temporal-180M，从600万公开的YouTube视频中抽取得到。

作者们选取的数据集比起HowTo100M和VLOG等局限于特定领域的数据集范围更大，主题更广。

后来的实验表明，如果仅使用HowTo100M这样的数据集进行训练，会降低模型在下游任务上的性能。

在MERLOT Reserve这一工作中，作者们扩充了数据集，提出了YT-Temporal-1B数据集，包含2000万Youtube视频，进一步提升了数据集的多样性，而模型强大的性能也说明了扩充数据的有效性。

结果

作者们通过大量的实验证实了MERLOT和MERLOT Reserve的有效性。对于MERLOT模型，作者们在12个视频问答数据集上开展了实验，大幅度刷新了SOTA。

MERLOT Reserve模型同样也有非常强大的表现，在视频常识推理数据集上取得了不小的性能提升，超过了许多使用了其他监督信息的模型。

由于MERLOT Reserve使用了大量的数据进行了自监督预训练，因此在零样本学习上有着不错的性能，在STAR数据集上相比于有监督的SOTA都有着明显的提升。

结语

多模态技术的发展和商业化，也许将会带来人工智能应用的新一轮爆发。以往的多模态应用面临着模型架构复杂、缺少数据、缺少算力等一系列问题，而随着Transformer结构一统天下，互联网上各模态数据的井喷式增长，计算资源越发普及，这些问题都在慢慢得到解决。

MERLOT系列工作刷新了我们认知中视频理解领域的上限，向我们展示了视频、语音、文本多模态高效融合的一种可能性。未来，让我们一起努力朝着多模态领域的"BERT"模型进发吧！

萌屋作者：Yimin_饭煲
在微软NLC组搬砖的联培博士生，爱好摄影和运动，希望卖萌屋早日开通视频业务，我来当摄影师！
作品推荐
学完文本知识，我就直接看懂图片了！
别再Prompt了！谷歌提出tuning新方法，强力释放GPT-3潜力
大模型炼丹无从下手？谷歌、OpenAI烧了几百万刀，总结出这些方法论…