元宇宙的文旅賽道，還能如何發(fā)力？
來源：X增強(qiáng)現(xiàn)實(shí)蘋果推出Vision Pro，為XR行業(yè)注入一劑強(qiáng)心針。而在蘋果開發(fā)者大會(huì)上迪士尼CEO鮑勃·艾格在宣布迪士尼與蘋果達(dá)成合作，其Disney+流媒體服務(wù)將于Vision Pro
Vista-LLaMA 在處理長(zhǎng)視頻內(nèi)容方面的顯著優(yōu)勢(shì)，為視頻分析領(lǐng)域帶來了新的解決框架。
近年來，大型語言模型如 GPT、GLM 和 LLaMA等在自然語言處理領(lǐng)域取得了顯著進(jìn)展，基于深度學(xué)習(xí)技術(shù)能夠理解和生成復(fù)雜的文本內(nèi)容。然而，將這些能力擴(kuò)展到視頻內(nèi)容理解領(lǐng)域則是一個(gè)全新的挑戰(zhàn) ——視頻不僅包含豐富多變的視覺信息，還涉及時(shí)間序列的動(dòng)態(tài)變化，這使得大語言模型從視頻中提取信息變得更為復(fù)雜。
面對(duì)這一挑戰(zhàn)，字節(jié)跳動(dòng)聯(lián)合浙江大學(xué)提出了能夠輸出可靠視頻描述的多模態(tài)大語言模型 Vista-LLaMA。Vista-LLaMA專門針對(duì)視頻內(nèi)容的復(fù)雜性設(shè)計(jì)，能夠有效地將視頻幀轉(zhuǎn)換為準(zhǔn)確的語言描述，從而極大地提高了視頻內(nèi)容分析和生成的質(zhì)量。
論文主頁：https://jinxxian.github.io/Vista-LLaMA/
圖 1
技術(shù)創(chuàng)新路徑
現(xiàn)有多模態(tài)視覺與語言模型在處理視頻內(nèi)容時(shí)，通常將視頻幀轉(zhuǎn)化為一系列的視覺 token，并與語言 token結(jié)合以生成文本。然而，隨著生成文本長(zhǎng)度的增加，視頻內(nèi)容的影響往往逐漸減弱，導(dǎo)致生成的文本越來越多地偏離原視頻內(nèi)容，產(chǎn)生所謂的 “幻覺” 現(xiàn)象。
Vista-LLaMA 通過創(chuàng)新的方式處理視頻和文本間的復(fù)雜互動(dòng)，突破了傳統(tǒng)視頻語言模型的限制。Vista-LLaMA 的核心創(chuàng)新在于其獨(dú)特的視覺與語言token 處理方式。不同于其他模型，它通過維持視覺和語言 token間的均等距離，有效避免了文本生成中的偏差，尤其是在長(zhǎng)文本中更為顯著。這種方法大幅提高了模型對(duì)視頻內(nèi)容的理解深度和準(zhǔn)確性。
圖 2
Vista-LLaMA 采用了一種改良的注意力機(jī)制 —— 視覺等距離 token 注意力(EDVT)，它在處理視覺與文本 token時(shí)去除了傳統(tǒng)的相對(duì)位置編碼，同時(shí)保留了文本與文本之間的相對(duì)位置編碼。EDVT 機(jī)制通過特定的函數(shù)處理隱藏層輸入，有效區(qū)分視覺 token 來源。
具體而言，它首先對(duì)輸入進(jìn)行查詢、鍵和值的映射轉(zhuǎn)換，接著對(duì)查詢和鍵輸入應(yīng)用旋轉(zhuǎn)位置編碼(RoPE)，分別計(jì)算帶 RoPE 和不帶 RoPE的注意力權(quán)重。隨后，根據(jù)視覺 token 的存在與否合并這兩種注意力權(quán)重，通過 softmax函數(shù)實(shí)現(xiàn)注意力的歸一化，并最終通過基于注意力權(quán)重的線性映射更新表示，生成輸出結(jié)果。這種創(chuàng)新使得多模態(tài)大語言模型能夠更加關(guān)注視頻的內(nèi)容，尤其在復(fù)雜的視頻場(chǎng)景中，能夠有效地捕捉關(guān)鍵視覺元素，提升了文本生成的質(zhì)量和相關(guān)性。
圖 3
同時(shí)，該模型引入的序列化視覺投影器為視頻中的時(shí)間序列分析提供了新的視角，它不僅能夠處理當(dāng)前視頻幀，還能利用前一幀的信息，從而增強(qiáng)視頻內(nèi)容的連貫性和時(shí)序邏輯。
視覺投影器的作用是將視頻特征映射到語言嵌入空間，以便大型語言模型融合和處理視覺與文本輸入。如圖 4所示，早期的視覺投影器通常使用線性層或查詢轉(zhuǎn)換器(Q-Former)直接將幀特征轉(zhuǎn)換為語言token。然而，這些方法忽略了時(shí)間關(guān)系，限制了語言模型對(duì)視頻的全面理解。Vista-LLaMA 中引入了序列化視覺投影器，它通過線性投影層編碼視覺 token的時(shí)間上下文，增強(qiáng)了模型對(duì)視頻動(dòng)態(tài)變化的理解能力，這對(duì)于提升視頻內(nèi)容分析的質(zhì)量至關(guān)重要。
圖 4
基準(zhǔn)測(cè)試結(jié)果
Vista-LLaMA 在多個(gè)開放式視頻問答基準(zhǔn)測(cè)試中展現(xiàn)了卓越性能。它在 NExT-QA 和 MSRVTT-QA測(cè)試中取得了突破性成績(jī)，這兩個(gè)測(cè)試是衡量視頻理解和語言生成能力的關(guān)鍵標(biāo)準(zhǔn)。在零樣本 NExT-QA 測(cè)試中，Vista-LLaMA 實(shí)現(xiàn)了 60.7%的準(zhǔn)確率。而在 MSRVTT-QA 測(cè)試中達(dá)到了 60.5% 的準(zhǔn)確率，超過了目前所有的 SOTA 方法。這些成績(jī)?cè)谛袠I(yè)中屬于先進(jìn)水平，顯著超越了其他 SOTA模型，如 Video-ChatGPT 和 MovieChat。
圖 5
這些測(cè)試結(jié)果證明了 Vista-LLaMA 在視頻內(nèi)容理解和描述生成方面的高效性和精準(zhǔn)性，Vista-LLaMA能夠準(zhǔn)確理解和描述視頻內(nèi)容，顯示了其強(qiáng)大的泛化能力。這些成績(jī)不僅展示了 Vista-LLaMA在理解復(fù)雜視頻內(nèi)容方面的能力，還證明了其在多模態(tài)語言處理領(lǐng)域的領(lǐng)先地位。
數(shù)據(jù)集：CineClipQA
圖 6
與 Vista-LLaMA 一同提出的還有 CineClipQA 新數(shù)據(jù)集。
CineClipQA 包含了 153 個(gè)精選視頻片段，這些片段來自五部風(fēng)格和敘事手法各異的電影。每個(gè)片段代表電影情節(jié)的一個(gè)或多個(gè)獨(dú)特部分，并附有 16個(gè)量身定制的問題，共計(jì) 2448 個(gè)問題。問題分為系統(tǒng)提示和問題兩部分：
● 系統(tǒng)提示提供了當(dāng)前視頻片段中關(guān)鍵角色的基本信息，并在必要時(shí)為角色的初始行動(dòng)提供提示。
●問題主要分為五類：識(shí)別、時(shí)間性(預(yù)測(cè))、空間性(互動(dòng))、意圖和感知。具體來說，識(shí)別包括地點(diǎn)和行動(dòng)的問題;時(shí)間性涉及下一個(gè)行動(dòng)、之前的行動(dòng)、同時(shí)發(fā)生的行動(dòng)和預(yù)測(cè)行動(dòng)的問題;空間性涉及物體與人之間的空間信息問題;意圖涉及行動(dòng)目的地三種相似問題;感知檢查情感識(shí)別和詢問“如何”(方式、態(tài)度等)。
該研究還提供了所有 16 種類型的詳細(xì)解釋和相應(yīng)案例。在 CineClipQA 數(shù)據(jù)集中，Vista-LLaMA 也表現(xiàn)出了卓越的性能。
圖 7
簡(jiǎn)言之，Vista-LLaMA在處理長(zhǎng)視頻內(nèi)容方面的顯著優(yōu)勢(shì)，為視頻分析領(lǐng)域帶來了新的解決框架，推動(dòng)人工智能在視頻處理和內(nèi)容創(chuàng)作方面的發(fā)展，預(yù)示著未來多模態(tài)交互和自動(dòng)化內(nèi)容生成領(lǐng)域的廣泛機(jī)遇。
更多詳情，請(qǐng)?jiān)L問項(xiàng)目頁面 [https://jinxxian.github.io/Vista-LLaMA]。
關(guān)于字節(jié)跳動(dòng)智能創(chuàng)作團(tuán)隊(duì)
智能創(chuàng)作團(tuán)隊(duì)是字節(jié)跳動(dòng)音視頻創(chuàng)新技術(shù)和業(yè)務(wù)中臺(tái)，覆蓋了計(jì)算機(jī)視覺、圖形學(xué)、語音、拍攝編輯、特效、客戶端、服務(wù)端工程等技術(shù)領(lǐng)域，借助字節(jié)跳動(dòng)豐富的業(yè)務(wù)場(chǎng)景、基礎(chǔ)設(shè)施資源和良好的技術(shù)協(xié)作氛圍，實(shí)現(xiàn)了前沿算法- 工程系統(tǒng) -產(chǎn)品全鏈路的閉環(huán)，旨在以多種形式向公司內(nèi)部各業(yè)務(wù)線以及外部合作客戶提供業(yè)界前沿的內(nèi)容理解、內(nèi)容創(chuàng)作、互動(dòng)體驗(yàn)與消費(fèi)的能力和行業(yè)解決方案。
目前，智能創(chuàng)作團(tuán)隊(duì)已通過字節(jié)跳動(dòng)旗下的云服務(wù)平臺(tái)火山引擎向企業(yè)開放技術(shù)能力和服務(wù)。(作者：彭傲晴)
本文鏈接：http://www.tebozhan.com/showinfo-45-3186-0.html字節(jié)與浙大聯(lián)合推多模態(tài)大語言模型Vista-LLaMA 可解讀視頻內(nèi)容
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
上一篇： 售價(jià)80萬+，路特斯EMEYA純電超跑發(fā)布會(huì)定檔，性能驚艷值得期待
下一篇： 潮酷碰撞！聯(lián)想拯救者聯(lián)名魅族PANDAER，Y9000P電競(jìng)本即將震撼登場(chǎng)
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)