VLTinT：用于连贯视频段落描述的视觉-语言Transformer-in-Transformer

视频段落描述（Video Paragraph Captioning）旨在为一段未剪辑的视频生成多句连贯的描述，涵盖其中多个时间事件的位置，并以叙事方式呈现。受人类感知过程的启发——即通过视觉与语言的相互作用，将场景分解为视觉成分（如人物、动物）与非视觉成分（如动作、关系），从而实现对场景的高效理解——我们首次提出一种视觉-语言（Visual-Linguistic, VL）特征表示。在所提出的VL特征中，场景通过三种模态进行建模：（i）全局视觉环境；（ii）局部视觉主体（主要参与者）；（iii）语言化场景元素。随后，我们引入一种自回归的Transformer-in-Transformer（TinT）架构，以同时捕捉视频内部事件之间及事件之间的语义连贯性。最后，我们设计了一种新型的VL对比损失函数，以确保学习到的嵌入特征与文本描述在语义上保持一致。在ActivityNet Captions和YouCookII数据集上的大量实验与详尽的消融研究结果表明，所提出的视觉-语言Transformer-in-Transformer（VLTinT）模型在描述准确性和多样性方面均优于现有的最先进方法。项目源代码已公开发布于：https://github.com/UARK-AICV/VLTinT。