Dense-Captioning von Ereignissen in Videos: SYSU-Einreichung für die ActivityNet Challenge 2020

Dieser technische Bericht präsentiert eine kurze Beschreibung unserer Einreichung für die Aufgabe des Dense Video Captioning im ActivityNet Challenge 2020. Unser Ansatz folgt einem zweistufigen Pipeline-Modell: Zunächst extrahieren wir eine Reihe von zeitlichen Ereignisvorschlägen; anschließend stellen wir ein Mehr-Ereignis-Kapitel-Modell vor, das zeitliche Beziehungen auf Ereignisebene erfassen und die multimodale Information effektiv fusionieren kann. Unser Ansatz erzielt auf dem Testset einen METEOR-Score von 9,28.