摘要: 针对视频描述生成任务中多模态特征融合不足和语义一致性欠缺的问题,本文提出了一种基于多模态特 征融合与对抗学习(MFF-AL,multi-modal feature fusion and adversarial learning)的视频描述生成模型。首 先,通过152层残差网络(ResNet-152,residual network with 152 layers)和膨胀式三维卷积网络(I3D,inflat鄄 ed 3D convolutional networks)分别提取视频动、静态特征,利用局部-全局注意力机制提取音频特征;然后, 采用交叉注意力机制融合视频-音频模态,引入专家网络动态调节融合特征,并利用信息瓶颈理论压缩冗 余信息;最后,设计双层生成对抗网络,通过对抗训练与信息噪声对比估计(InfoNCE,information noise-con鄄 trastive estimation)生成描述文本。基于数据集 MSR-VTT 的实验表明,本文的 MFF-AL 模型在视频描述领 域广泛使用的4种评价指标上优于现有方法。实验结果证实了本文模型在提高视频描述生成准确性和自 然性方面的有效性。
中图分类号: