李偉健，胡慧君

（武漢科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，湖北 武漢 430065）

0 引言

視頻描述生成旨在根據(jù)視頻內(nèi)容自動(dòng)生成描述性的自然語言句子，視頻中蘊(yùn)含著豐富的信息［1］，以往的研究致力于理解靜態(tài)的視覺信息，但是如何對(duì)視頻中豐富的時(shí)空信息進(jìn)行建模仍是一項(xiàng)具有挑戰(zhàn)性的任務(wù)［2］。

視頻中顯著對(duì)象的檢測(cè)是目前計(jì)算機(jī)視覺前沿領(lǐng)域必不可少的關(guān)鍵任務(wù)，該任務(wù)通常被稱為目標(biāo)檢測(cè)任務(wù)。例如，文獻(xiàn)［3］提出的OA-BTG 通過構(gòu)建雙向序列圖來提取視頻中的重要目標(biāo)，然后整合整個(gè)視頻中的全局特征生成字幕。文獻(xiàn)［4］提出的STG-KD 采用圖卷積網(wǎng)絡(luò)（GCN）對(duì)檢測(cè)到的對(duì)象進(jìn)行關(guān)系推理，以增強(qiáng)對(duì)象級(jí)的關(guān)系表示。文獻(xiàn)［5］提出的DETR 首次采用Transformer 方法進(jìn)行視頻描述生成中的對(duì)象檢測(cè)，計(jì)算輸出區(qū)域和真實(shí)區(qū)域的集合相似度，將對(duì)象檢測(cè)視為1 個(gè)直接的集合預(yù)測(cè)問題。因此，處理不同視頻幀中對(duì)象之間的關(guān)系是視頻描述生成任務(wù)的關(guān)鍵。

現(xiàn)有方法往往是根據(jù)編碼器-解碼器的結(jié)構(gòu)設(shè)計(jì)來生成視頻描述。通過不同的特征提取器，如IncepResNetV2［6］、I3D［7］和Faster R-CNN［8］，不同編碼器可以從不同角度捕捉視頻信息。顯然，同時(shí)使用不同的特征進(jìn)行連接可能會(huì)取得更優(yōu)的性能，但是這種方法往往會(huì)忽略不同特征之間的上下文語義信息，而這些信息在具有時(shí)空信息的視頻中起著重要作用。XU 等［9］和WANG 等［10］通過對(duì)視頻幀進(jìn)行局部特征融合來學(xué)習(xí)判別性的特征，從而提高視頻描述生成質(zhì)量。例如，文獻(xiàn)［11］提出的SAAT 通過融合對(duì)象和時(shí)間特征來生成相應(yīng)的動(dòng)詞。但是，只融合局部特征難以獲得全局的時(shí)空語義視頻信息。例如文獻(xiàn)［12］提出的POS+CG 設(shè)計(jì)1 個(gè)交叉門控模塊來融合外觀和運(yùn)動(dòng)特征，并進(jìn)行綜合闡述，然而，僅通過預(yù)測(cè)的全局POS 來表示生成的每個(gè)單詞，而忽略了微妙的細(xì)節(jié)信息，從而難以捕獲準(zhǔn)確的對(duì)象。

為了解決上述問題，本文設(shè)計(jì)新的潛在特征增強(qiáng)網(wǎng)絡(luò)（LFAN）模型。該模型融合不同的特征來生成具有更高維度的潛在特征，并且通過構(gòu)建連接視頻特征的動(dòng)態(tài)圖來獲取時(shí)空信息，并利用GNN 和長(zhǎng)短時(shí)記憶（LSTM）網(wǎng)絡(luò)推理對(duì)象間的時(shí)空關(guān)系，進(jìn)一步豐富視頻內(nèi)容的特征表示，并結(jié)合LSTM 和門控循環(huán)單元（GRU）設(shè)計(jì)一種新的解碼方法來處理上下文信息和全局信息，從而生成準(zhǔn)確、流暢的視頻描述。

1 相關(guān)工作

1.1 視頻描述生成

視頻描述生成作為計(jì)算機(jī)視覺和自然語言處理的交叉領(lǐng)域，早期大多數(shù)方法都是基于特定的模板［13-15］，這些模板需要大量人工設(shè)計(jì)的語言規(guī)則，并且處理有限類別的對(duì)象、動(dòng)作等，難以生成準(zhǔn)確的語句描述。

隨著深度神經(jīng)網(wǎng)絡(luò)的興起，VENUGOPALAN等［16］提出一種編碼器-解碼器框架來克服這些限制。當(dāng)前，基于編解碼框架的視頻描述生成方法成為主流。YAO 等［17］提出一種動(dòng)態(tài)總結(jié)視覺特征的時(shí)間注意力機(jī)制。CHEN 等［18］提出從視頻中去除冗余幀，從而解碼重要的視覺信息以生成視頻描述。文獻(xiàn)［19］提出的M3 通過建立記憶網(wǎng)絡(luò)來模擬長(zhǎng)期的視覺文本依賴，以生成高質(zhì)量的描述。文獻(xiàn)［20］提出的MARN 設(shè)計(jì)一種記憶結(jié)構(gòu)來尋找候選詞匯和包含它所有視頻特征的關(guān)系。TAN 等［21］提出一種新的時(shí)空視覺推理模塊RMN，實(shí)現(xiàn)顯式的、可解釋的視頻字幕處理。BAI 等［22］采用生成對(duì)抗網(wǎng)絡(luò)（GAN）來保證生成描述的準(zhǔn)確性。RYU 等［23］提出一種語義分組網(wǎng)絡(luò)（SGN），通過語義組預(yù)測(cè)下1 個(gè)生成的單詞。Open-Book［24］從語料庫中檢索語句，作為生成描述性語句的指南。CHEN 等［25］提出R-ConvED，從已注釋的視頻句子對(duì)中檢索相關(guān)的視覺內(nèi)容和句法結(jié)構(gòu)，并利用這些上下文知識(shí)促進(jìn)描述性語句的生成質(zhì)量。

最新的研究挑戰(zhàn)則是嘗試構(gòu)建大規(guī)模的端到端訓(xùn)練視頻描述生成網(wǎng)絡(luò)，如LIN 等［26］在視頻描述生成領(lǐng)域中使用SwinBERT 進(jìn)行端到端訓(xùn)練，以生成視頻描述。但是這類網(wǎng)絡(luò)模型通常使用Transformer進(jìn)行編解碼，訓(xùn)練參數(shù)量龐大，并且需要大量的計(jì)算資源。

1.2 潛在特征

不同的特征信息在生成視頻描述中起著重要作用。文獻(xiàn)［27］提出的GRU-EVE 使用對(duì)象標(biāo)簽增強(qiáng)視覺特征的語義信息。文獻(xiàn)［12］提出的POS+CG 構(gòu)建一種新穎的門控融合網(wǎng)絡(luò)，對(duì)視頻的外觀和運(yùn)動(dòng)特征進(jìn)行編碼和融合。文獻(xiàn)［4］提出的STG-KD［通過GCN 構(gòu)建對(duì)象關(guān)系圖，利用對(duì)象關(guān)系圖推理視頻對(duì)象之間的時(shí)空關(guān)系以獲得潛在特征。文獻(xiàn)［28］提出的ORG-TRL 使用GCN 實(shí)現(xiàn)關(guān)系推理從而獲取視頻中的潛在特征，豐富細(xì)節(jié)對(duì)象的表示。文獻(xiàn)［11］提出的SAAT 設(shè)計(jì)1 個(gè)語法感知模型來增強(qiáng)動(dòng)詞的生成，使動(dòng)作和目標(biāo)之間的相關(guān)性更強(qiáng)。圖1 所示為L(zhǎng)FAN 生成描述的直觀示例。本文使用基線模型Baseline 作為對(duì)比，其中僅使用傳統(tǒng)的編碼器-解碼器框架，沒有使用圖神經(jīng)網(wǎng)絡(luò)和改進(jìn)的解碼方式。從圖1 可以看出，基線模型缺乏時(shí)空語義信息，無法對(duì)視頻上下文進(jìn)行全面探索，從而產(chǎn)生較差的描述。SAAT 生成目標(biāo)對(duì)象和相應(yīng)的動(dòng)詞，但沒有捕獲完整的視頻信息，從而生成不完整的描述語句。相反，本文模型 通過捕 捉突出 的對(duì)象“man”“chicken”和“plastic”，學(xué)習(xí)它們之間的對(duì)應(yīng)關(guān)系從而生成準(zhǔn)確的動(dòng)詞“put”，并完整描繪出視頻內(nèi)容。

圖1 LFAN 生成描述的直觀示例Fig.1 An intuitive examples of LFAN generation descriptions

2 潛在特征增強(qiáng)網(wǎng)絡(luò)

LFAN 模型框架如圖2 所示。LFAN 模型由編碼層、潛在特征層和解碼層組成。首先，利用空間GNN增強(qiáng)目標(biāo)特征以獲得更精確的目標(biāo)區(qū)域；然后，利用語義GNN 和LSTM 融合外觀特征、運(yùn)動(dòng)特征和對(duì)象特征，得到具有語義信息的潛在特征；最后，利用可以處理全局信息的解碼器生成視頻描述。

圖2 LFAN 模型框架Fig.2 Framework of LFAN model

2.1 編碼層

在編碼階段，本文使用3 種預(yù)訓(xùn)練模型提取視頻特征。對(duì)于給定的視頻幀N，本文使用2D-CNNs和3D-CNNs 分別提取外觀特征和運(yùn)動(dòng)特征，然后使用R-CNNs 提取區(qū)域目標(biāo)特征區(qū)域目標(biāo)特征包含空間上的額外維度。

2.2 潛在特征層

LFAN 模型使用GNN 融合不同的特征，得到潛在特征，利用GNN 和LSTM 實(shí)現(xiàn)潛在特征的增強(qiáng)，并得到更高維度的增強(qiáng)潛在特征，高維度的潛在特征蘊(yùn)含著豐富的語義信息以生成更準(zhǔn)確的視頻描述。

對(duì)于先前生成的Va，Vm和Vo，本文首先利用動(dòng)態(tài)顯著區(qū)域圖神經(jīng)網(wǎng)絡(luò)DyReg-GNN［29］對(duì)區(qū)域目標(biāo)特征Vo進(jìn)行增強(qiáng)，DyReg-GNN 可以通過學(xué)習(xí)發(fā)現(xiàn)與當(dāng)前場(chǎng)景和目標(biāo)相關(guān)的顯著區(qū)域來改善視頻的關(guān)系處理過程，增強(qiáng)后的蘊(yùn)含時(shí)空信息，如式（1）所示：

其中：Ddyreg() 表示DyReg-GNN 中的圖神經(jīng)網(wǎng)絡(luò)操作。

然后將增強(qiáng)后目標(biāo)特征的中間2 維降為1 維，再將特征Vi=Va，Vm分別和增強(qiáng)后的區(qū)域目標(biāo)特征由Softmax()函數(shù)計(jì)算關(guān)系矩陣權(quán)值：

其中：Wadj∈Rd表示可學(xué)習(xí)的參數(shù)；/代表矩陣點(diǎn)除。

為了讓特征同時(shí)具有幀級(jí)的時(shí)間信息和對(duì)象級(jí)的空間信息，本文將特征Vi和得到的關(guān)系矩陣相乘，相乘后的結(jié)果和區(qū)域目標(biāo)特征拼接得到潛在特征：

使用1 個(gè)雙向LSTM 對(duì)潛在特征進(jìn)行編碼，將前一時(shí)刻的隱藏狀態(tài)ht-1作為輸入：

其中：表示增強(qiáng)的潛在特征；ht表示第t個(gè)時(shí)刻的隱藏狀態(tài)；ct表示第t個(gè)時(shí)刻的細(xì)胞狀態(tài)。由于ht具有豐富的歷史信息，因此它對(duì)于增強(qiáng)潛在特征具有指導(dǎo)作用。

對(duì)增強(qiáng)的潛在特征使用Transformer 中的位置編碼，保存特征之間的相對(duì)位置用于指導(dǎo)生成更流暢的描述語句，然后通過圖神經(jīng)網(wǎng)絡(luò)將其融合為潛在特征并參與訓(xùn)練。外觀和運(yùn)動(dòng)潛在特征如式（7）和式（8）所示：

其中：LPi表示外觀和運(yùn)動(dòng)潛在特征；PPE()表示Transformer 中的位置編碼函數(shù)；K()表示kernel 函數(shù)，里面是圖神經(jīng)網(wǎng)絡(luò)模塊，包含卷積和批量規(guī)范化操作以及GELU［30］激活函數(shù)；×表示矩陣乘法；表示最終的增強(qiáng)外觀和運(yùn)動(dòng)潛在特征；Sselfatt()表示自注意力函數(shù)，后面還有1 層LayerNorm 函數(shù)。本文考慮到雖然ReLU［31］函數(shù)能夠解決梯度消失，但是依然存在一些不可避免的問題，如無法避免梯度爆炸，神經(jīng)網(wǎng)絡(luò)無法調(diào)整學(xué)習(xí)率的值。因此，本文采用自然語言處理（NLP）領(lǐng)域最近表現(xiàn)較優(yōu)的GELU 作為激活函數(shù)，GELU 在BERT 和Transformer 中也得到了很好的應(yīng)用。

至此，LFAN 模型完成幀級(jí)的外觀特征和運(yùn)動(dòng)特征同對(duì)象級(jí)目標(biāo)特征的融合，從而生成具有時(shí)空動(dòng)態(tài)信息的高級(jí)潛在特征。

2.3 解碼層

本文參考ORG-TRL［6］并設(shè)計(jì)一種同時(shí)使用LSTM 和GRU 的解碼方法。LFAN 模型通過注意力LSTM 和GRU 解碼潛在特征層生成，從而逐 漸生成最終的視頻描述。

首先LFAN 模型對(duì)生成的潛在外觀特征和潛在運(yùn)動(dòng)特征進(jìn)行均值操作，然后用Cat 操作將它們拼接作為模型的全局視頻特征：

其中：表示全局視頻特征；Cat()表示Cat 拼接操作。

對(duì)于每個(gè)時(shí)間步長(zhǎng)t，LSTM 根據(jù)歷史隱藏狀態(tài)、歷史細(xì)胞狀態(tài)與均值全局特征以及之前生成的單詞wt-1進(jìn)行連接，歷史隱藏狀態(tài)和細(xì)胞狀態(tài)的表達(dá)式如式（10）所示：

對(duì)于局部對(duì)象特征，LFAN 模型使用DyReg-GNN中的方法，首先將不同幀中的對(duì)象對(duì)齊并合并在一起，然后使用空間注意模塊選擇應(yīng)該關(guān)注哪些對(duì)象，并提取局部上下文特征。局部上下文特征的表達(dá)式如下：

其中：AATT()表示DyReg-GNN 中空間注意模塊。

最后，GRU 總結(jié)全局和局部上下文特征以生成當(dāng)前隱藏狀態(tài)，這樣本文生成描述時(shí)既有全局相關(guān)性也包含細(xì)粒度的上下文信息。在將單詞概率Pt解碼后是單層感知機(jī)和解碼步驟t時(shí)刻的Softmax()運(yùn)算。隱藏狀態(tài)和單詞概率的計(jì)算式如下：

其中：Pt表示詞匯量的D維向量；Wz表示權(quán)值矩陣；bz表示可學(xué)習(xí)的參數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

為合理評(píng)估該網(wǎng)絡(luò)模型的有效性和先進(jìn)性，本文在2 個(gè)廣泛使用的基準(zhǔn)數(shù)據(jù)集MSVD 和MSR-VTT 上進(jìn)行實(shí)驗(yàn)，并通過4 個(gè)廣泛使用的指標(biāo)BLUE@4、METEOR、ROUGE-L 和CIDEr 進(jìn)行評(píng)估，將該方法與最先進(jìn)的方法進(jìn)行比較，并進(jìn)行消融實(shí)驗(yàn)。

3.1 數(shù)據(jù)集

MSVD 由YouTube 收集的1 970 個(gè)網(wǎng)絡(luò)視頻組成，平均視頻長(zhǎng)度為10.2 s，每個(gè)視頻大約有41 個(gè)英文句子，每個(gè)描述平均長(zhǎng)度約有7 個(gè)單詞。本文根據(jù)之前的工作［15］將數(shù)據(jù)集分為1 200 個(gè)訓(xùn)練視頻、100 個(gè)驗(yàn)證視頻和670 個(gè)測(cè)試視頻。

MSR-VTT 數(shù)據(jù)集是開放領(lǐng)域視頻字幕生成的大規(guī)模數(shù)據(jù)集，共包含10 000 個(gè)視頻，平均視頻長(zhǎng)度為14.8 s，每個(gè)視頻有20 個(gè)人為標(biāo)注的英文描述，每個(gè)描述的平均長(zhǎng)度約為9 個(gè)單詞。本文采用標(biāo)準(zhǔn)分割將數(shù)據(jù)集分為6 513 個(gè)訓(xùn)練視頻、497 個(gè)驗(yàn)證視頻和2 990 個(gè)測(cè)試視頻。

3.2 實(shí)驗(yàn)設(shè)置

本文在特征提取上使用預(yù)訓(xùn)練好的Inception ResNetV2（IRV2）、I3D 和Faster R-CNN 分別提取外觀特征、動(dòng)作特征和目標(biāo)特征，每個(gè)視頻采用26 幀的均勻采樣，F(xiàn)aster R-CNN 從固定的26 幀中提取36 個(gè)proposal。對(duì)于語料庫的預(yù)處理，本文將生成的所有描述轉(zhuǎn)換為小寫并去掉標(biāo)點(diǎn)符號(hào)，最大詞匯量設(shè)置為26 個(gè)單詞，對(duì)超過26 個(gè)單詞的描述進(jìn)行零填充。本文將預(yù)訓(xùn)練GloVe.6B.300d 詞表引入到解碼器參與詞向量訓(xùn)練，詞向量維度為300。

本文用標(biāo)準(zhǔn)的交叉熵?fù)p失函數(shù)計(jì)算模型生成的描述和Ground Truth 間的差異，采用Adam 優(yōu)化器優(yōu)化LFAN 模型，初始學(xué)習(xí)率設(shè)為1×10-4，動(dòng)態(tài)調(diào)整學(xué)習(xí)率使其每5 輪削減50%。訓(xùn)練和測(cè)試批量大小分別設(shè)為256 和128，最大訓(xùn)練迭代輪次設(shè)為60 次。在MSVD 和MSR-VTT 數(shù)據(jù)集上，所有LSTM 模塊隱藏狀態(tài)大小分別設(shè)為1 024 和1 536，每個(gè)圖卷積操作的特征大小為1 024。在測(cè)試階段本文分別使用大小為4 和5 的波束搜索來生成描述。

3.3 實(shí)驗(yàn)結(jié)果定量分析

為驗(yàn)證LFAN 模型的有效性，本文選擇使用CNN 作為編碼器和LSTM 作為解碼器，在MSVD 和MSR-VTT 2 個(gè)數(shù)據(jù)集上與最先進(jìn)的方法進(jìn)行比較。

在MSVD 和MSR-VTT 數(shù)據(jù)集上不同模型的實(shí)驗(yàn)結(jié)果如表1 所示，其中，B@4、M、R、C 分別表示BLUE@4、METEOR、ROUGE-L 和CIDEr，加粗表示最優(yōu)數(shù)據(jù)。從表1 可以看出，LFAN 具有較強(qiáng)的競(jìng)爭(zhēng)優(yōu)勢(shì)，在MSVD 數(shù)據(jù)集上，反映描述準(zhǔn)確性的BLEU@4 分?jǐn)?shù)為57，反映描述豐富性的CIDEr 分?jǐn)?shù)達(dá)到了100.1，在MSR-VTT 數(shù)據(jù)集 上，BLEU@4 分?jǐn)?shù)為43.8，CIDEr 分?jǐn)?shù)為50.2，在多個(gè)指標(biāo)上都優(yōu)于主流視頻描述生成方法，證明LFAN 模型的有效性。

表1 在MSVD 和MSR-VTT 數(shù)據(jù)集上不同模型的實(shí)驗(yàn)結(jié)果Table 1 Experimental results among different models on MSVD and MSR-VTT datasets

在MSR-VTT 數(shù)據(jù)集上，與不使用對(duì)象特征的RecNet、PickNet、MARN、SGN 和Open-Book 相比，LFAN 僅略遜于Open-Book，其原因?yàn)镺pen-Book 在生成關(guān)鍵詞時(shí)從文本語料庫中檢索多個(gè)與視頻內(nèi)容相關(guān)的句子，生成的關(guān)鍵詞與參考語句在生成關(guān)鍵詞時(shí)，會(huì)從文本語料庫中檢索多個(gè)與視頻內(nèi)容相關(guān)的句子，因此生成的關(guān)鍵詞與參考語句的相似度更高。這種方法在METEOR 和CIDEr 評(píng)價(jià)指標(biāo)中會(huì)獲得更高的得分。而在MSVD 數(shù)據(jù)集上，LFAN 在所有評(píng)價(jià)指標(biāo)上都取得比其他方法更優(yōu)的性能，表明對(duì)象特征在視頻描述生成中發(fā)揮了重要作用，并且學(xué)到準(zhǔn)確的對(duì)象特征。

此外，LFAN 與使用對(duì)象特征的OA-BTG、GRUEVE、RMN、STG-KD、SAAT 和ORG-TRL 進(jìn)行比較。在MSR-VTT 數(shù)據(jù)集上，當(dāng)ORG-TRL 引入TRL 外部語言模塊來指導(dǎo)模型生成描述語句時(shí)，ORG-TRL 的CIDEr 得分增加為50.9，當(dāng)ORG-TRL 去掉TRL 外部語言模塊后，在CIDEr 上的表現(xiàn)不如本文模型，得分為50.1。本文提出的LFAN 在BLUE@4 和ROUGE-L中有更好的表現(xiàn)，表明LFAN 生成的視頻描述準(zhǔn)確度和召回率更高。

3.4 消融實(shí)驗(yàn)

本文主要對(duì)潛在特征模塊和解碼模塊進(jìn)行改進(jìn)。為了說明本文的改進(jìn)措施能使模型學(xué)到更有效的信息以生成視頻描述，本文在潛在特征模塊上設(shè)計(jì)3 個(gè)消融實(shí)驗(yàn)，分別是僅使用外觀特征、運(yùn)動(dòng)特征和對(duì)象特征來生成視頻描述的基線模型。

表2 和表3 所示為使用不同神經(jīng)網(wǎng)絡(luò)和不同解碼方法的消融實(shí)驗(yàn)結(jié)果。LFAN-GNN 表示使用圖神經(jīng)網(wǎng)絡(luò)融合不同特征，LFAN-DG 表示使用DyReg-GNN 加強(qiáng)目 標(biāo)特征，LFAN-LSTM 和LFAN-GRU 分別是僅使用LSTM 和GRU 作為解碼器。從表2 可以看出，無論是使用圖神經(jīng)網(wǎng)絡(luò)融合不同特征還是加入DyReg-GNN 后，模型的各項(xiàng)指標(biāo)都有所提升。相比LFAN-GNN，LFAN-DG 在2 個(gè)數(shù)據(jù) 集上的BLUE@4 分別提升了1.9 和0.6，說明本文的改進(jìn)方法使模型提取到更準(zhǔn)確的對(duì)象信息。本文在MSVD數(shù)據(jù)集上的CIDEr 分?jǐn)?shù)比基線模型提高9.8，在MSR-VTT 數(shù)據(jù)集上比基線模型提高了3.1 的分?jǐn)?shù)，進(jìn)一步證明LFAN 的有效性。

表3 使用不同解碼方法的消融實(shí)驗(yàn)結(jié)果 Table 3 Results of ablation experiments using different decoding methods

從表3 可以看出，本文設(shè)計(jì)同時(shí)使用LSTM 和GRU 的LFAN 顯然比單獨(dú)使用其中1 個(gè)解碼方法的性能更好，新的解碼方法與LFAN-LSTM 相比評(píng)估效率也得到了改善，這充分證明了本文改進(jìn)方法的有效性。

3.5 實(shí)驗(yàn)結(jié)果定性分析

圖3 所示為L(zhǎng)FAN 生成的一些描述實(shí)例與參考描述（GT）的對(duì)比。圖3 中第1 行參考視頻描述：GT1“a woman is applying something on her eyelids”；GT2“a girl is applying eye makeup”；GT3“a girl is applying makeup to her eyelid”；LFAN“a woman is applying makeup on her eye”。第2 行參考視頻描述：GT1“the man is putting meat in the bag”；GT2“a man is adding chicken to a plastic cover”；GT3“a man puts chicken breasts into a bag”；LFAN“a man is putting chicken into a plastic”。第3 行參考視頻描述：GT1“a man is dicing food”；GT2“a man is slicing garlic”；GT3“a person is slicing garlic”；LFAN“a man is chopping garlic”。第4行參考視頻描述：GT1“a woman is cooking”；GT2“a woman showing how to cut garlic cloves”；GT3“a woman is chopping garlic”；LFAN“a person is preparing some food in the kitchen”。LFAN 可以精準(zhǔn)識(shí)別出“woman”在“applying makeup”，而不是“draw something”。在第2 行的示例中，LFAN 成功地識(shí)別出主要對(duì)象信息“chicken”和“plastic”以及人物的動(dòng)作“putting”，并且排除掉桌子上其他干擾對(duì)象信息，說明LFAN 不僅可以識(shí)別出主要對(duì)象，并且可以精準(zhǔn)地描述對(duì)象動(dòng)作。

圖3 LFAN 生成描述與參考描述實(shí)例分析Fig.3 Example analysis of LFAN generation description and reference description

4 結(jié)束語

視頻描述生成技術(shù)可以廣泛應(yīng)用于各種媒體軟件，在視頻推薦、輔助視覺、人機(jī)交互等領(lǐng)域也具有廣泛應(yīng)用前景［32］。本文提出一種基于潛在特征增強(qiáng)網(wǎng)絡(luò)的視頻描述生成模型LFAN。該模型著重于增強(qiáng)視頻特征的時(shí)空和語義信息，從而顯著提升生成的視頻描述質(zhì)量。大量的定量、定性實(shí)驗(yàn)和消融實(shí)驗(yàn)結(jié)果都證明了LFAN 的有效性，LFAN 模型能夠精準(zhǔn)地描述對(duì)象動(dòng)作。由于在生成描述中一些視頻的描述難以被模型正確地生成，這種情況尤其發(fā)生在一些罕見或復(fù)雜的場(chǎng)景或物體上，因此后續(xù)將基于多模態(tài)融合和KL 散度對(duì)LFAN 進(jìn)行分析研究。