Gated Multi-modal Fusion with Cross-modal Contrastive Learning for Video Question Answering

计算机科学 相关性(法律) 情态动词 水准点(测量) 相似性(几何) 人工智能 任务(项目管理) 自然语言处理 模式 模态(人机交互) 剪辑 帧(网络) 机器学习 语音识别 情报检索 图像(数学) 电信 管理 大地测量学 社会学 政治学 高分子化学 法学 经济 社会科学 化学 地理
作者
Chenyang Lyu,Wenxi Li,Tianbo Ji,Liting Zhou,Cathal Gurrin
出处
期刊:Lecture Notes in Computer Science 卷期号:: 427-438
标识
DOI:10.1007/978-3-031-44195-0_35
摘要

Video Question Answering (VideoQA) is a challenging task that requires the model to understand the complex nature of video data and the variety of questions that can be asked about them. Existing approaches often suffer from the problem of ambiguous answer candidates with low relevance to the visual and auditory part of the video, which limits the performance of VideoQA systems. In this paper, we introduce a novel approach that leverages multi-modal fusion and cross-modal contrastive learning to utilize multi-modal information and enhance the relevance of answer candidates in VideoQA. First, we introduce a gated multi-modal fusion network that learns to combine different modalities such as visual and speech based on their relevance to the question to enrich the representations of video and improve the accuracy of finding the correct answer. Second, we introduce cross-modal contrastive learning to increase the similarity between positive example pairs (i.e., correct answers and corresponding video clips) while decreasing the similarity between negative example pairs (i.e., incorrect answers and unpaired video clips). Specifically, we use three-way contrastive learning between answer and video frame, answer and audio, answer and cross-modal features. Our proposed approach is evaluated on two benchmark audio-aware VideoQA datasets, including AVQA and Music-AVQA, and compared to several state-of-the-art methods. The results show that our approach significantly improves the performance of VideoQA, achieving new state-of-the-art results on these benchmarks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Dino完成签到,获得积分10
1秒前
1秒前
3秒前
情怀应助自由的威采纳,获得10
3秒前
魯蛋完成签到,获得积分10
3秒前
鄂成危发布了新的文献求助10
4秒前
4秒前
xfq0829发布了新的文献求助30
4秒前
5秒前
Li发布了新的文献求助20
6秒前
认真的弼完成签到,获得积分20
6秒前
Owen应助无私诗云采纳,获得10
7秒前
Summer_Xia完成签到,获得积分10
7秒前
今后应助小蜜蜂采纳,获得10
8秒前
狂野的问枫完成签到,获得积分20
8秒前
yy发布了新的文献求助10
8秒前
xrkxrk完成签到 ,获得积分10
9秒前
9秒前
9秒前
汉堡包应助123采纳,获得10
9秒前
10秒前
在水一方应助沐子采纳,获得10
10秒前
NexusExplorer应助WQ采纳,获得10
11秒前
认真的弼发布了新的文献求助10
11秒前
科学家发布了新的文献求助10
11秒前
壮观糖豆完成签到,获得积分10
11秒前
kcul完成签到 ,获得积分10
12秒前
12秒前
鄂成危完成签到,获得积分10
13秒前
刘莹发布了新的文献求助10
14秒前
15秒前
16秒前
17秒前
17秒前
xinjiasuki完成签到 ,获得积分10
17秒前
自由的威发布了新的文献求助10
19秒前
noya仙贝完成签到 ,获得积分10
19秒前
20秒前
张豪杰发布了新的文献求助10
20秒前
20秒前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Distribution Dependent Stochastic Differential Equations 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3159555
求助须知:如何正确求助?哪些是违规求助? 2810543
关于积分的说明 7888660
捐赠科研通 2469574
什么是DOI,文献DOI怎么找? 1314953
科研通“疑难数据库(出版商)”最低求助积分说明 630722
版权声明 602012