利用自然语言检索百万视频，人物、场景、事件都不能放过，这就是既困难又吸引了众多研究者的视频检索任务。
紧随图像建模技术的提升，机器学习已经不再满足图像识别与检索了，它的「进阶版」视频理解通常不仅需要理解图像内容，同时还需要理解图像之间的联系。而视频目前是最形象与生动的信息载体，如果机器学习能理解视频，那么很多应用都会变得智能化。
例如这篇文章介绍的视频检索，我们只需要输入「Find shots of a person lying on a bed」这样的查询语句，模型就能在海量视频库中检索到对应的视频片段。这种任务的难度可比基于预输入标签的视频搜索难多了，因为视频片段的检索只能依靠视频内容。
近日，阿里安全图灵实验室视频理解团队获得了 TRECVID 2019 视频检索任务冠军。TRECVID 源自 NIST 等机构在 2003 年组织的视频检索项目，这么多年已经是非常成熟的挑战项目。每年 TRECVID 都吸引了 CMU 和微软等顶级研究机构，它代表着跨模态视频检索领域最前沿的研究方向。
![]()
阿里安全图灵实验室视频理解团队 ATL 获得的评分最高，人民大学、软银等团队也有很好的成绩。选自：https://www-nlpir.nist.gov/projects/tvpubs/tv19.slides/tv19.avs.slides.pdf
本文将讨论这种困难的视频检索任务该怎么处理，并介绍阿里的冠军解决方案。这种跨模态模型不仅在视频检索领域，同时在更广泛的视频理解领域起着支柱作用。
阿里安全算法专家表示，这些经验累积能有效处理更多的视频业务，例如视频排查，即搜索并排查某类不合规的视频；视频分类，识别视频风险类型或者某些特性；视频标签与属性，理解视频以输出视频片段的各种标签，用于后续处理。
对于一项挑战任务，我们该做的第一件事就是理解数据集，了解它的输入与输出，理解它的种类与覆盖情况。后面才是根据数据调制解决模型，并验证效果。TRECVID Ad-hoc Video Search（AVS）任务给人的第一印象是，它的测试数据很难、很多；TRECVID AVS 模型给人的第一印象是，它的整体思路很容易想到，但要做到却很难。
TRECVID AVS 任务的数据真的很难，它的测试数据集有 1.3TB 大小、108 万+的视频片段。这样看起来它的测试集应该很公平，但问题在于挑战赛并没有提供对应量级的训练集。因此我们需要找额外的开放视频数据集，并尽可能提高模型的泛化性。
因为缺少训练集，这已经近似于 Zero-shot video search 任务了，它的难度非常高。阿里安全算法专家说：「从比较基本的角度来说，训练数据集在整个业界都比较匮乏，这是视频检索任务的难点。」
![]()
我们只能已知测试集的领域或来源大概可以分为四种，找开源数据也需要以这四类视频为目标。图像来源：https://www-nlpir.nist.gov/projects/tv2019/avs.html
虽然 TRECVID AVS 的数据很难，但它的输入与输出还是相对好理解的。该任务使用一句英文来搜索相关视频，例如「Find shots of exactly two men at a conference or meeting table talking in a room」，该语句可能包含物体、时间、动作、位置、人物等的组合。这样的任务要求算法不仅理解开放词汇的英文语句，还要准确搜索出其描述的视频。
研究者表示：「视频检索其实是业界的老问题，给定一个查询意图 Query，我们需要在相当规模的视频数据库中查找满足意图的视频。这样的 Query 可以是一个视频片段、一张图像，也可以是一个单词或完整的句子。因为查询意图可以是不同的模态，因此整个过程可以视为跨模态的视频检索问题。」
对于本次的视频检索挑战，与传统的基于内容检索的问题不同，后者需要预定义语义标签，而前者旨在建模用户的查询意图，查询的输入是任意意图自然语言，因此阿里算法专家说：「AVS 可以理解为相似度匹配问题，但模型不仅需要解决视觉方面的建模问题，还需要解决自然语言理解问题，并建立视觉与自然语言之间的映射关系，这就是它的另一个难点。」
视频检索任务是一个相似度匹配问题，业界已经有了广泛的研究。视频检索本身的难点在于大规模特征抽取、语义的泛化性，以及索引和查询的性能。这些都与模型架构的选取相关，我们希望以最少的成本搜索到最准确的结果。
目前跨模态视频检索比较主流的架构是找到一个新的共同空间，我们只有将各种输入数据都映射到同一空间，这样才能进行匹配与对比。
![]()
最为主流的思路，使用不同的网络将视觉和语言信息同时映射到「语义空间」，然后在「语义空间」进行对比与检索。
当然除了这种架构，也有其它一些解决思路，阿里安全算法专家说：「我们也可以将视频这种视觉信息转化为文本，而不是转化为隐藏空间的特征向量。这就意味着我们先给视频打上不同的标签，然后将视频检索问题转化为文本检索任务，这也是比较有效的方法。」 第一种思路将视觉信息与自然语言信息映射到相同空间，是一种联合建模方法。而第二种思路相当于分别建模，即先建模视觉到自然语言这样的任务，再建模一个自然语言任务，它们从出发点就有一些不同。而且第二种方法是需要预定义标签，而第一种减少了这样的约束。
因为 TRECVID AVS 更倾向于探索跨模态前沿模型，所以阿里安全图灵实验室并没有在收集训练数据集上花很多时间，他们采用已有的公开数据集，期待测试方法的有效性。总体来说，训练集主要包含微软的 MSR-VTT 和雅虎的 Tumblr GIF 数据集，它们一共有 11 万视频片段、32 万条对应的自然语句。
这样的数据量其实并不大，研究者说：「测试集视频是百万级的，我们训练完的模型需要在这种大规模数据中完成检索，因此整个任务是非常困难的，尽管我们排名第一，但效果上还有很大的提升空间。」
阿里安全图灵实验室采用的思路是将视频与文本映射到相同的高维空间，从而学习它们之间的关系。研究者说：「因为视频和文本都是序列数据，所以我们特别优化了序列建模。这种序列建模不仅包括循环神经网络这种依时间步传递的方法，同时还包含图这种建模更远距离的方法。」
总体而言，研究者的混合序列模型可以分为视觉模块与文本模块两部分，它们能应用到图像帧与自然语句，并抽取嵌入向量。因为两类嵌入向量在公共的空间中，所以通过学习方法可以学习到它们之间的关系。
![]()
如上在研究者的工作中，他们主要关注优化视觉和文本序列建模方法。即采用了三种子模块来加强效果，图卷积模型、序列模型和聚合模型三者会通过一个控制门来确定它们各自对最终嵌入向量的贡献，控制门是一种自动调整策略。
两个模块都可以分为三级编码，首先第一级都是预训练模型，视频模块使用在 ImageNet-11k 上预训练的模型抽取视频图像特征，文本模块使用预训练的 Word2vec 对文本进行编码。
第二阶段的编码分别由图卷积、循环神经网络、聚合模型得出，它们相当于从不同的角度获取视频帧之间或词之间的相互依赖关系。最后第三阶段的编码则通过门控卷积网络挑战三类特征的重要性，并输出最终的嵌入向量。
「我们的创新点在于，优化了序列信息的抽取，例如我们使用基于图的这种序列表征方法，它不只关注视频帧或单词之间的关系，同时还能挖掘距离较远的依赖性关系。特别是视频数据，它的情节或镜头是相互交替的，镜头会来回切换，只有这样的图模型才能很好地捕捉序列信息。」研究者说。
前面介绍过视频除了用 LSTM 等循环网络建模，也可以用图神经网络建模，甚至它的建模效果还要更好。读者可能会想到，视频不就是图像帧按时间组成的序列么，为什么能建模成图？
假设现在输入数据是由预训练模型编码的一系列特征图（Feature Map），视频图建模的目的是将它们视为图（Graph），并用图卷积进行处理。具体而言，每一帧的特征图都是一个节点，我们可以根据「时间」构建边，同时也可以根据视频帧之间的相似性构建边。
![]()
图注：视频帧序列依次构建视频帧级别、镜头级别和事件级别的图。选自 arxiv: 1906.00377。
视频帧序列是多级结构，因此图应该逐渐被抽象到更高层的拓扑。阿里用节点卷积和 3 种池化方法不断聚合视频帧图。每次节点卷积后，拓扑结构获得一次抽象，并且在新的拓扑上，模型可以传播新的节点特征，从而获得下一层级的图表达。最终的结果，阿里的方法比传统 RNN 效果要好，而且速度非常快，该技术可以用于其它序列建模问题上。
通过三大序列模型，抽取的特征并不能直接用于最后的计算，因为有一些视频并不需要利用全部三种特征。为此，研究者设计了一种门控卷积网络，它会自动调整不同视频对不同特征类型的需求。
阿里安全算法专家表示：「前面架构会把视频与自然语言映射到同一空间，并通过对比损失拉近相似视频与自然语言的距离，推远不相似视频与自然语言间的距离。」简单来说，最后抽取的两个特征向量可以通过余弦相似性计算距离，并迫使正确的视频-语言对彼此靠近。
虽然听起来很简单，但别忘了视频片段的量级达到了百万，即使简单算一个矩阵乘法，根据余弦相似性找到好的视频片段，这种大规模矩阵运算的计算量也不会小。所以说，对于最后的匹配或检索，计算效率也是非常重要的一件事。
对于视频检索任务，我们最初的印象可能是它的计算量很大。阿里安全算法专家表示，在实际使用场景中，检索问题是非常细粒度的任务，例如我们不会说「找到一辆车」，反而会精确到「找到一辆宝马」。这种细粒度问题对于特征提取的计算要求非常高，与此同时，分辨率、码率等因素都影响着计算量。
尽管视频检索这个问题很难、算力要求很大，但阿里安全部门一直在积累经验，并尝试挖掘一种强有力的算法。
对于视频检索领域的未来发展，算法专家说：「不论是特征提取架构上的创新，还是视频与语言预训练模型的提升，它们肯定会共同发展。首先在架构方面，我们要解决的是跨模态的语义鸿沟，它的本质在于视觉特征空间与自然语言特征空间的联合建模问题，我认为当前架构会逐渐到达瓶颈，亟待出现一些新的架构创新。其次对于预训练，其目的在于提高下游任务的性能，这是非常重要的一个方向。」
不论是这两年新提出来的 Transformer 序列建模架构，还是 BERT 这种自监督预训练机制，视频检索需要沉淀更多的技术与思想，这样才能让大规模检索变得既经济又准确。
这样的挑战赛对阿里视频理解团队是非常有意义的，整个团队都可以通过挑战赛得到锻炼。阿里安全算法专家说：「整个团队首先会接触一些更前沿的技术，比如图卷积或自监督等技术，这些都会提升团队的技术前沿性。毕竟业务比较偏向成熟的方法，而比赛可以探索更新的技术。」
相信很多读者都参加过一些挑战赛，我们查阅基线模型代码、阅读更多前沿论文、尝试更多可能的思路，如果一个团队共同完成这些工作，那么提升还会大一些。「我们估计花了两个月的时间来完成这个挑战赛，几乎一周到两周一次研讨会。因为每个人都会负责不同的模块，因此也会有不懂的论文，这些都会在研讨会上讨论。」算法专家说。
除了这些常规操作，阿里安全图灵实验室视频理解团队还会邀请相关领域的研究者，特别是高校老师来做一些分享。这样不仅能了解最前沿的一些研究成果，本身也能学到非常多的视频领域知识。
![]()
通过比赛与业务，整个实验室在过去的四五年中已经累积了很多成果。这些技术很多都应用在内容安全方面，例如视频不良场景识别、视频违禁品识别、视频公众人物识别等等。除此之外，在视频特征方面，相似度匹配、场景理解、目标检测等技术都有实际落地场景。因为整个团队以安全业务为主，因此也就有视频审核、视频版权保护等具体业务。
整个挑战赛能带来很多沉淀，「我们不只是刷新一个成绩，我们更想做一些创新，摸索出一套实用的新方法」，阿里安全算法专家最后总结道。虽然挑战赛已经落幕，但对于跨模态视频检索这种复杂任务，新框架与新思路的创新也许就诞生于下一次累积。
视频理解的应用越来越广泛，阿里安全图灵实验室也希望更多能有视频理解领域人才的加入，发挥前沿技术力量产生更大的价值。如果您有 2 年以上相关的研究经历，有该领域的顶会文章或 top 竞赛成绩，阿里安全也招聘研究型实习生和正式研究者，有兴趣的读者可以联系 maofeng.mf@alibaba-inc.com，或加微信 rickymf4。
✄------------------------------------------------加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com投稿或寻求报道：content@jiqizhixin.com广告 & 商务合作：bd@jiqizhixin.com