视频问答介绍

视频问答：给定一个视频与一个问题，模型根据视频信息来给出答案。该能力需要模型具备多模态视频理解的能力。你只需要输入任意一个视频与问题，很快你就能收获对于该问题的回答。

模型描述

本任务是mPLUG系列的HiTeA，在英文视频问答MSRVTT、MSVD与英文视觉问答VQAv2数据集进行finetune的模型。HiTeA模型是统一理解和生成的多模态视频基础模型，该模型提出了基于时间层级式的视频多模态预训练任务。其中，HiTeA论文公开时在MSRVTT、MSVD和TGIF等多个视频问答任务上达到SOTA，详见：HiTeA: Hierarchical Temporal-Aware Video-Language Pre-training

期望模型使用方式以及适用范围

本模型主要用于给问题和对应视频生成答案。用户可以自行尝试各种输入文档。具体调用方式请参考代码示例。

如何使用

在安装完成MaaS-lib之后即可使用video-question-answering的能力

推理代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

model_id = 'damo/multi-modal_hitea_video-question-answering_base_en'
input_videoqa = {
    'video':'http://xke-repo.oss-cn-hangzhou.aliyuncs.com/models/release/vid_hitea_videoqa.avi',
    'question': 'what did the chef slice?'
}

pipeline_videoqa = pipeline(Tasks.video_question_answering, model=model_id)
result = pipeline_videoqa(input_videoqa)
print(result)

模型局限性以及可能的偏差

模型在数据集上训练，有可能产生一些偏差，请用户自行评测后决定如何使用。

训练数据介绍

本模型训练数据集是MSRVTT, MSVD与VQAv2。

数据评估及结果

HiTeA视频多模态预训练模型，在同等规模预训练数据的模型中取得Video QA的SOTA.

相关论文以及引用信息

如果我们的模型对您有帮助，请您引入我们的文章：

@inproceedings{ye2022hitea,
      title={HiTeA: Hierarchical Temporal-Aware Video-Language Pre-training}, 
      author={Ye, Qinghao and Xu, Guohai and Yan, Ming and Xu, Haiyang and Qian, Qi and Zhang, Ji and Huang, Fei},
      year={2022},
      journal={arXiv}
}