摘要
以往大多数视觉理解研究仅依赖于分析“是什么”（如事件识别）和“在哪里”（如事件定位），但在某些情况下，这种方法无法准确描述事件之间的上下文关系，甚至导致错误的视觉注意力分配。人类与机器的根本区别之一在于，我们天生倾向于探究事件之间的因果关系——例如，当事件Y直接由事件X引发时，我们会本能地追问“为什么”。为此，我们提出iPerceive框架，该框架通过利用上下文线索构建常识知识库，推断视频中物体之间的因果关系，从而实现对视频事件间“为什么”的理解。我们通过密集视频字幕生成（Dense Video Captioning, DVC）和视频问答（Video Question Answering, VideoQA）任务验证了该方法的有效性。此外，尽管现有大多数DVC与VideoQA研究仅依赖视觉信息，但音频和语音等其他模态对于人类观察者感知环境同样至关重要。因此，我们将DVC与VideoQA任务建模为多模态机器翻译问题。在ActivityNet Captions和TVQA数据集上分别评估iPerceive-DVC与iPerceive-VideoQA的性能，结果表明，我们的方法显著提升了现有技术水平。代码与示例可访问：iperceive.amanchadha.com。