【爱看论文】BRAVE组系列研究进展之“视听模态的融合”（AAAI2018论文）

爱看论文

No.02 试听模态的融合（AAAI2018）

AAAI即世界人工智能年会，是人工智能领域的顶级会议。AAAI2018即将于今年2月在美国召开，论文录用率不到25%。

本文是自动化研究所类脑智能研究中心“类脑信息处理研究组”入选论文之一，该研究提出了有效将听觉信息融合在视频描述生成框架中的特征融合策略，并取得了理想的效果。

来源/中国科学院自动化研究所

文章仅代表作者本人观点，如来源标注有误，我们及时予以更正/删除

中国科学院类脑智能研究中心“类脑信息处理研究组”（Bio-inspired-intelligence Research for Artificial Vision and lEarning），又叫BRAVE研究组，由张兆翔研究员带领，瞄准学科前沿，致力于融合智能科学、脑与认知科学的多学科优势，研究创新性的认知脑模型，实现类脑信息处理相关领域理论、方法与应用的突破。

BRAVE团队在借鉴生物神经结构、认知机制与学习特性的神经网络建模与类人学习方向开展了系统性研究，取得了一系列突破性进展。近期，该团队又取得了重大突破，已有3篇论文被2018年国际人工智能年会AAAI录用。AAAI是人工智能领域的顶级会议，即将于2018年2月在美国召开第18届会议。本届会议共收到3800多篇稿件，最终录用933篇，录用率不到25%。张兆翔团队此次被录用的3篇文章中，2篇文章被选为Oral，1篇文章被选为Spotlight poster，展现了该团队的研究实力。

BRAVE组入选论文主题分别为“视听模态的融合”、“视听模态的生成”、“智能体之间的知识迁移”。今日聚焦上篇---“视听模态的融合”。研究组提出了有效将听觉信息融合在视频描述生成框架中的特征融合策略，并取得了理想的效果。

视听模态的融合

视频描述生成在很多领域中有着潜在应用，比如人机交互、盲人辅助和视频检索。近些年来，受益于卷积神经网络CNN,递归神经网络和大规模的视频描述数据集，视频描述生成已经取得比较理想的结果。

大多数视频描述生成框架可以分为一个编码器和一个解码器，编码器对视频特征进行编码形成一个固定长度的视频特征向量，解码器基于该视频特征生成对应的视频描述子。研究者们针对定长的视频特征描述子提出了一些方法，比如对视频帧进行池化操作，下采样固定长度的视频帧，在递归网络视频特征编码阶段提取最后一个时刻的状态表示。

虽然上述方法均可生成比较合理的视频描述，但是这些模型的视频特征编码都只侧重于视觉信息而忽略了音频信息。我们认为，忽视声音模态会损害模型性能。比如，一个人躺在床上唱歌。大部分传统的视频描述生成方法只关注视觉信息而忽略声音信息，可能会产生语义不完整的句子：“一个人躺在床上”。如果可以将音频信息结合到模型中，就可以产生语义完整的句子“一个人躺在床上唱歌”。

那么如何更合理地利用视听觉信息？我们提出并分析了三种视听觉特征深度融合框架，第一种为将视听觉信息简单并连在一起，第二种在视听特征编码阶段共享LSTM内部记忆单元，建立视听模态间的短时依赖性，第三种在视听特征编码阶段共享外部记忆单元，建立视听模态的长时依赖性。

同时，为了处理听觉模态缺失问题，我们提出了一个动态多模态特征融合框架。其核心模块为由一个编码器和一个解码器组成的听觉推理模型。听觉推理模型具体为将视觉特征输入编码器进行编码，利用解码器解码出对应的听觉特征，通过在生成的听觉特征与真实的听觉特征之间增加L2范数约束来更新该模型参数，并实现视觉特征到听觉特征的准确映射。

本文创新点

a

我们提出三种视听觉特征融合策略，旨在有效地将听觉信息融合在视频描述生成框架中。

b

我们提出一个听觉推理模型去解决听觉模态缺失问题，当听觉模态损害或缺失时，视觉模态可作为推理依据。

c

 我们的模型在MSR-VTT , MSVD数据集上取得了理想的效果。

不同模型生成的视频描述

不同模型生成的视频描述

BRAVE组入选成果集锦

试听模态的融合

Wangli Hao, Zhaoxiang Zhang*, He Guan, Integrating both Visual and Audio Cues for Enhanced Video Caption, The Thirty-Second AAAI Conference on Artificial Intelligence, AAAI 2018, USA, February 2-7, 2018

试听模态的生成

Wangli Hao, Zhaoxiang Zhang*, He Guan, CMCGAN: A Uniform Framework for Cross-Modal Visual-Audio Mutual Generation, The Thirty-Second AAAI Conference on Artificial Intelligence, AAAI 2018, USA, February 2-7, 2018

智能体之间的知识迁移

Yuntao Chen, Naiyan Wang, Zhaoxiang Zhang*, DarkRank: Accelerating Deep Metric Learning via Cross Sample Similarities Transfer; The Thirty-Second AAAI Conference on Artificial Intelligence, AAAI 2018, USA, February 2-7, 2018

推荐阅读

【重磅】Facebook物体检测平台宣布开源！ Mask R-CNN源代码终于来了!
【业界】发布区块链方案，美图要干啥?（附完整版PDF）

“

 我们是一家技术服务公司，汇集⼈⼯智能领域的智库资源，为各级政府和企业提供科技信息咨询、技术孵化、技术对接、⼈⼯智能技术培训、科技交流等服务。欢迎与我们联系，将您对技术的需求告诉我们。