Vid2Seq：密度型動画キャプション生成のための視覚言語モデルの大規模事前学習

本研究では、大量に入手可能なナレーション付き動画を事前学習データとして用いる、マルチモーダルな単段階型の密なイベントキャプションモデル「Vid2Seq」を提案する。Vid2Seqのアーキテクチャは、特別な時刻トークン（time tokens）を言語モデルに追加することで、出力シーケンス内でイベントの境界とテキスト記述を一貫して予測可能にしている。このような統合型モデルの学習には大規模な訓練データが必要となるが、現存するアノテーション付きデータセットではそのようなデータは入手困難である。本研究では、音声認識で得られた文章の文境界を仮のイベント境界として再定式化し、その音声認識文を仮のイベントキャプションとして用いることで、ラベルのないナレーション付き動画を活用して密な動画キャプションの学習が可能であることを示した。この手法により、YT-Temporal-1Bデータセットで事前学習されたVid2Seqモデルは、YouCook2、ViTT、ActivityNet Captionsなど、多数の密な動画キャプションベンチマークにおいて、既存の最先端手法を上回る性能を達成した。さらに、Vid2Seqは動画パラグラフキャプションや動画クリップキャプションといったタスク、および少サンプル（few-shot）設定においても良好な汎化性能を示した。本研究のコードは、https://antoyang.github.io/vid2seq.html にて公開されている。