视频-文本检索模型介绍

ProST模型是渐进式的时空原型匹配模型，发表于ICCV 2023 Progressive Spatio-Temporal Prototype Matching for Text-Video Retrieval。

输入任意视频和文本pair，输出相应的视频-文本pair特征，和相应得分。

数据集说明

该模型采用预训练CLIP模型，然后在msrvtt数据集进行finetune。

模型结构

CLIP模型：视觉encoder采用vit-base-patch16结构，文本encoder采用bert-base结构。

Interaction: 采用Progressive Spatio-Temporal Prototype Matching。如上图所示。

模型训练

finetune LR scheduler

初始LR为 0.0001，共训练5个epoch。

使用方式和范围

使用方式：

• 直接推理，对输入的视频-文本pair直接进行推理。
  使用场景:
• 适合任意视频-文本pair，一般文本长度最长编码不超过77，视频时间15s-5min。

结果说明

MSRVTT test，R@1:49%，若采用补充材料中提到的bipartite maximum matching后处理方法，可达到R@1:56%， 达到sota结果。

代码范例:

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

video_multi_modal= pipeline(
            Tasks.video_multi_modal_embedding,
            model='damo/multi_modal_clip_vtretrieval_prost')
video_path = 'your video path.mp4'
caption = ('your text caption', None, None)
_input = {'video': video_path, 'text': caption}
result = video_multi_modal(_input)

相关论文以及引用信息

如果该模型对您有所帮助，请引用下面的相关的论文：

@inproceedings{ProST,
  title     = {Progressive Spatio-Temporal Prototype Matching for Text-Video Retrieval},
  author    = {Pandeng Li and Chen-Wei Xie and Liming Zhao and Hongtao Xie and Jiannan Ge and Yun Zheng and Deli Zhao and Yongdong Zhang},
  journal   = {ICCV 2023},
  year      = {2023}
}