背景認識に基づく動画モーメント検出

ビデオモーメント検索（VMR）は、与えられた自然言語のクエリに対して、トリミングされていないビデオ内の特定の瞬間を識別するタスクです。このタスクは、ビデオデータセットに内在する弱いアライメント問題に影響を受けやすいです。曖昧さのため、クエリが対応する瞬間の関連詳細を完全にカバーしていない場合や、瞬間に不整合な無関係なフレームが含まれている可能性があり、これによりさらなる性能向上が制限される恐れがあります。この問題に対処するために、我々は背景認識型モーメント検出トランスフォーマー（BM-DETR）を提案します。当モデルはコントラスティブアプローチを採用し、ビデオ内の他の瞬間にマッチした否定的なクエリを慎重に利用します。具体的には、当モデルは肯定的なクエリと否定的なクエリの補集合を与えた各フレームの同時確率から目標となる瞬間を予測することを学習します。これにより周囲の背景が効果的に活用され、瞬間の感度が向上し、全体的なビデオアライメントが強化されます。4つのベンチマークにおける広範な実験結果が我々の手法の有効性を示しています。当コードは以下のURLで公開されています：\url{https://github.com/minjoong507/BM-DETR}