الرسوم البيانية الفائقة للوضع التعلمي للإجابة على الأسئلة في الفيديو

إجابة الأسئلة المتعلقة ب situaciones معقدة في مقاطع الفيديو تتطلب ليس فقط التقاط وجود الفاعلين والكائنات والعلاقات بينهم، بل أيضًا تتبع تطور هذه العلاقات عبر الزمن. يُعدّ الرسم البياني الفائق للسياق (Situation Hyper-graph) تمثيلًا يصف السياقات كمخططات فرعية للإطارات في الفيديو، وحُرُوف فائقة (hyper-edges) لربط هذه المخططات الفرعية، وقد تم اقتراحه لالتقاط جميع هذه المعلومات بشكل مكثّف ومقنّن. في هذا العمل، نقترح معمارية لمهام إجابة الأسئلة على الفيديو (VQA) التي تُمكّن من الإجابة على الأسئلة المتعلقة بمحتوى الفيديو من خلال التنبؤ برسوم بيانية فائقة للسياق، وتُعرف باسم إجابة الأسئلة على الفيديو القائمة على الرسم البياني الفائق للسياق (SHG-VQA). من أجل ذلك، نُدرّب فكّارًا للرسم البياني الفائق للسياق لتحديد تمثيلات المخططات بشكل ضمني، تشمل الأفعال والعلاقات بين الكائنات أو بين البشر والكائنات، من خلال المقطع الفيديو المدخل. كما نستخدم الانتباه المتبادل بين الرسم البياني الفائق للسياق المُنبَّأ به وتمثيل السؤال للتنبؤ بالإجابة الصحيحة. تُدرّس المعمارية المقترحة بطريقة نهائية (end-to-end) وتحسّن باستخدام دالة خسارة VQA مع دالة الانتروبيا المتقاطعة، بالإضافة إلى خسارة مطابقة هنغارية (Hungarian matching loss) لتحسين تنبؤ الرسم البياني للسياق. وقد تم تقييم فعالية المعمارية المقترحة بشكل واسع على معيارين صعبين: AGQA وSTAR. تُظهر النتائج أن تعلّم الرسوم البيانية الفائقة للسياق الكامنة يساعد النظام على تحسين أداءه بشكل كبير في مواجهة تحديات جديدة في مهام إجابة الأسئلة على الفيديو.