动态视音场景下问答模型研究

2024-03-25段毛毛连培榆史海涛

计算机技术与发展 2024年3期

关键词：特征提取音频模态

段毛毛,连培榆,史海涛

(中国石油大学(北京)克拉玛依校区石油学院,新疆克拉玛依 834000)

0 引言

日常生活中,人类无时无刻处于视音场所中。但在复杂的视音场景下,跨视音视图关联对象或声音事件,其中大多数仍然仅具有有限的跨模态推理能力。因此,整合多模态信息以获得类人的客观场景感知和理解能力是一个有趣而有价值的研究课题。

近年来,深度学习的逐步发展使其被应用于多模态特征融合。深度学习模型可以处理高维复杂的多模态信息,而多模态深度学习具有在人类层面处理多模态数据的潜力。

早期的问答任务主要以自然语言的形式进行提问和回答,后来随着人工智能、深度学习、多模态等技术发展逐渐演变为文字、图片、音频、视频等多种模态间信息查询的广义问答系统。

Heeseung Yun等人[1]提出了一种新的基于360度空间和视音问答的基准任务,结果表明球形空间嵌入和多模态训练目标有助于更好地理解数据集上的全景环境,正确率达到68.93%。Jing L等人提出的自监督[2]学习方法为多模态视音场景分析模型的建立提供了新的思路,通过将视频信号中的视音信息进行融合,成功地解决了视音信息能否在同一时间上[3]的问题。Hori等人[4]提出了一种对话问答系统,使用注意力机制对视音场景进行感知。Li Guangyao等人[5]提出了基于动态视音场景下的问答模型,正确率达到了71.5%。

视音问答模型仍存在以下问题：(1)一些与问题无关的视觉物体或声源均参与单模态编码,需寻找更适合后续融合的特征提取方式。(2)在融合学习的过程中,需寻找其他多模态融合方式,以提高模态间的互补性,进而提高问答模型的正确率。

为解决上述问题,该文通过分析现有视音问答模型得知文本所含信息量最大,因此先对视频和音频信息进行融合获得更多信息以支撑文本特征信息。首先,分别使用Resnet_18,VGGish和Bi-LST对音频、视频和文字进行单模态特征提取;然后,通过空间融合模块对视频和音频特征进行融合,将复杂的场景分解为具体的视音关联;最后,通过联合注意力机制对文字、视频和音频进行混合学习,实现视频特征、音频特征和文字特征的融合,增强三种模态之间的关联关系。基于联合注意力建立空间时序模型,进一步提高了动态视音场景下问答的准确率,提升了模型场景感知和时空推理能力。

1 相关工作

对多模态问题进行深入研究,充分利用多种模态之间的互补性和冗余性,是推动人工智能更好地了解和认知周围世界的关键。多模态学习中的两个重点问题是多模态数据的异质性差距[6]和模态间的信息融合[7]。在研究多模态问题时,如何充分挖掘模态之间的信息和消除数据异构,一直是多模态任务的主要挑战[8]。

在多模态问答任务中主要以视频问答(Video Question Answer)[9]和视觉问答(Visual Question Answer)[10]为主,视频问答早于视觉问答。视频问答根据序列的图像信息和时间线索,针对不同问题提取不同数量的帧求取答案,多采用融入注意力机制[11-12]和融入记忆网络的思路构建问答模型[13-14]。视觉问答基本分为联合嵌入、注意力机制、神经网络架构和知识库增强[15],以一幅图像和一个问题作为输入,通过对多模态信息进行融合与推理,以自然语言的形式给出问题的答案[16]。

在视音场景的研究中,合适的多模态融合方式尤为重要。曲志等人[17]提出了一项裂纹检测方法,使用多尺度卷积特征融合模块进行裂纹信息提取实现特征的全面融合。李钊[18]提出一项基于深度学习的跨模态检索方法,实现更好的跨模态相似度度量。Fu等人[19]提出了一种基于双注意网络场景分割结果,该方法将局部特征与其全局依赖性相结合,并且可以捕获丰富的上下文信息。Peng等人[20]提出了一种基于注意力引导的多视图融合网络来解决三维物体识别问题,可以在更为复杂的场景下取得更好的效果。

注意力机制在多模态融合任务中也展现出了其重要性。Schwartz等人[21]提出的高阶注意力模型是一种将文本、图像和文本答案三种不同的模态信息进行多模态融合的模型,得到更准确的答案。Chen等人[22]提出了一种条件注意力融合策略在连续维度情绪预测中的应用,提高预测的准确性和可靠性。Li等人[23]提出了一种针对多模型多标签分类任务的通用策略,通过选择更好的特征组合来实现更精确的分类。杨清溪等人[24]提出了一种基于注意力机制的场景识别模型,大大提高了场景识别的准确度。该文亦将采用注意力机制实现各模态特征的提取与融合。

2 基于联合注意力机制的视音问答模型

模型使用补充约束的特征来应对单模态数据不足,同时采用多模态联合表示的思想,使得不同模态信息相互补充、相互学习、相互制约。通过拼接和矩阵点乘法将三个模态特征混合为一个特征,建立视音字空间时序模型。

2.1 整体结构

注意力机制能够对输入数据的每个部分提供不同的权重信息,从而抽取出重要关键的特征信息,使得模型获得更加准确的捕捉判断。该文所提出的基于联合注意力机制的视音场景下的问答模型结构如图1所示。模型主要包括三个组成部分：

图1 整体结构

(1)视音字单模块：含视频模块、音频模块、和文字模块,分别采用适合各个模态的网络结构,对视频、音频、文字三种模态数据进行特征提取,以便后续进行融合学习。

(2)空间融合模块：采用多模态联合表示的思想,使用矩阵叉乘法对视频特征和音频特征进行融合学习得到混合特征,完成视音融合,建立空间模型。

(3)空间时序融合模块：采用一种新的多模态协同表示方法,通过联合注意力机制对文字、视频和音频进行混合学习,实现视频特征、音频特征和文字特征的融合。

视频模块、音频模块和文字模块分别选用视频、音频和文字嵌入向量作为各自模块分支的输出数据,并将其作为空间融合模块中视频分支的输入数据。

2.2 视频模块

视频模块使用Resnet_18进行视频特征提取。为了保持所有视频的信息完整,对所有视频片段采样固定数量的帧。

Resnet_18的具体结构如图2所示,包含17个卷积层和1个全连接层,使用两种不同大小的卷积核(7×7和3×3)提取视频图像特征。在卷积层中,采用了非线性的Relu激活函数,最终输出的数据维度设置为320,512,14,14。视频特征提取的具体步骤如下：

图2 Resnet_18结构

(1)提取全局特征：使用7×7卷积核提取特征后,采用最大池化层降维。

(2)提取细节特征：使用3×3卷积核提取特征后,为获得更完整的图像信息加入平均池化层。

2.3 音频模块

音频模块使用VGGish进行音频特征提取,对每个音频片段进行编码,为音频信息赋予语义信息。VGGish的具体网络结构如图3所示。

图3 VGGish结构

VGGish由四个卷积层、四个池化层和一个全连接层组成,卷积核大小为3×3,池化层选择最大池化法,卷积层采用了非线性激活函数Relu,方便进行卷积处理,最终输出的数据维度为64,10,512。音频特征提取的具体步骤如下：

(1)将数据重塑为4维,便于进行卷积运算。

(2)使用3×3卷积核和最大池化层得到音频特征。

2.4 文字模块

文字模块使用Bi-LSTM进行文字特征提取,对文字特征进行更细粒度的分类。该文对每个问答对进行词嵌入,具体网络结构如图4所示。

图4 Bi-LSTM结构

该模块中Bi-LSTM模型由两层双向LSTM和一个全连接层组成,词嵌入后先选用非线性激活函数Tanh激活函数,再通过含有一个隐藏层的Bi-LSTM提取文字特征,最终输出数据维度为64,512。

2.5 空间融合模块

声音及其视源的位置能够反映视音模态之间的空间关联,因此引入基于声源定位的空间融合模型,将复杂的场景分解为具体的视音关联[5]。具体模型结构如图5所示。

图5 空间融合网络结构

该模块具体处理步骤如下：

(1)为了方便后续的联合表示,先使用线性变换将之前得到的配对视频音频特征转换为512,512。

(2)为了防止视频信息丢失,先对视频特征进行平均池化,得到全局视频特征。

(3)将视频特征和音频特征进行归一化处理后进行矩阵叉乘,使用softmax激活函数再与音频特征进行矩阵叉乘,得到混合视频特征维度为512,512。

(4)拼接两个视频特征,得到最终混合的视频特征1,建立空间模型。

2.6 空间时序融合模块

为了突出与问题密切相关的关键时间戳,使用联合注意力机制进行视听特征与文字特征的协同表示。首先加入relu激活函数和dropout层,得到关键时间戳下的视听特征;然后拼接视听特征,将其联合表示为一个混合特征,具体网络结构如图6所示。

图6 空间时序融合结构

空间时序融合模块数据处理步骤如下：

(1)以文字特征为查询增强关键时间戳下的视频特征1,得到视频特征2。

(2)以文字特征为查询增强关键时间戳下的音频特征,得到音频特征1。

(3)以文字特征为查询,以音频特征1为键值,增强关键时间戳下视频特征2中与音频相关的信息,得到视频特征3。

(4)以文字特征为查询,以视频特征3为键值,增强关键时间戳下音频特征1中与视频相关的信息,得到音频特征2。

(5)将协同表示后的视频特征3和音频特征2进行归一化处理,再与空间融合后的视频特征1和音频特征相加,以防止信息丢失。

(6)将视频特征3和音频特征2进行拼接,再与文字特征点乘得到联合表示的混合特征1。

(7)以文字特征为查询增强混合特征中的文字信息,得到混合特征2。

该文采用两阶段训练策略,先建立空间模型,损失函数使用交叉熵损失函数Ls,公式如下：

(1)

其中,pi为真实值,qi为预测值。

第二阶段建立空间时序模型,损失函数L的计算公式如下：

L=Lqa+0.5Ls

(2)

其中,Ls为第一阶段的交叉熵损失,Lqa为第二阶段的交叉熵损失。

3 实验和模型优化

3.1 实验环境

实验采用了Pytorch框架,具体实验环境如表1所示。

表1 实验环境

3.2 数据集及其预处理

MUSIC-AVQA(Spatial-Temporal Music AVQA)大规模视听数据集总计包含9 288个演奏视频,真实视频和合成视频分别占79.9%和20.1%。其中,真实视频由14.8%的单人视频、71.7%的二重唱视频和13.5%的其他合奏视频组成。数据集涵盖22种不同乐器(如吉他、钢琴、二胡、唢呐等),总时长超过150小时。

此外,MUSIC-AVQA具有45 867个问答对,平均每个视频约5个问答对,这些问答对涵盖了3种不同场景(声音(Audio)、视觉(Visual)和视音(Audio-Visual))下的9类问题类型(以存在Existential、计数Counting、位置Location、比较Comparative和事件Temporal为主)以及33个不同的问题模板。3种场景及对应的问题类型如表2所示。

表2 MUSIC-AVQA数据集问答对类型划分

将数据集随机分为训练集、验证集和测试集,分别包含32 087,4 595和9 185对问答对。在特征提取前,对每段视频中的声音和视频帧进行采样,采样率分别为16 kHz和1 fps,将其分为长度相等、互不重叠的1帧视频段。此外,使用6 s取1 s的方式对视频进行采样,使用normalize函数对图像进行标准化。

3.3 模型训练

(1)音频特征提取：将音频文件载入VGGish网络,得到64,10,512维音频特征,完成音频嵌入。

(2)视频特征提取：将视频文件载入Resnet_18网络,先得到16,20,3,244,244维特征,后重组维度为320,512,14,14,以便后续统一为512-特征。

(3)文字特征提取：将问答对文件载入Bi-LSTM网络,先得到64,512维特征,完成词嵌入,后通过词特征组成问答对特征,完成问答嵌入。

(4)建立空间融合模型：构建空间融合模型网络结构,将视频特征和音频特征调整为相同维度,训练得到维度512,512混合特征。

(5)建立空间时序模型：构建空间时序模型网络结构,设置批大小和轮次分别为64和30。学习率初始为e-4,每训练十轮乘0.1,学习率下降,使用Adam优化器,得到最终的混合特征,完成模型建立。

3.4 模型评估与测试

使用答案预测精度作为度量标准,评估模型在回答不同类型问题时的表现。答案词汇表由42个可能的答案(22个对象,12个计数选择,6个未知类型,是/否)组成,用于回答数据集中不同类型的问题。

评估测试步骤具体如下：

(1)在每轮训练完毕进行模型评估,对评估集中的问题进行预测,得到评估结果。

(2)在完成所有训练后进行模型测试,对测试集中的问题进行预测,得到测试结果。

(3)设置基线。在相同环境下训练MUSIC-AVQA的网络结构并评估测试,以便与文中模型进行比对。

3.5 不同模态消融实验

如表3所示,实验结果表明V+Q比A+Q效果更好,表明视频特征是问答模型中的强信号。加入视音字空间时序融合模块(CTG)后,虽然独立的音频问答和视频问答准确率稍差,但是视音问答的准确率最佳,证明了视音字空间时序融合模块的有效性。

表3 不同模态与不同模块消融研究

(Q：问答文字,A：音频模态,V：视频模态,AV：视音模态,TG：时序融合模块,SG：空间融合模块,CTG：视音字空间时序融合模块)

3.6 不同方法对比实验

为了验证模型的有效性,分别从声音问答、视觉问答和视音问答出发,对比了各种方法在计数、比较或空间等类型问题回答的准确率,结果如表4所示。其中文献[5]为MUSIC-AVQA数据集官方空间时序问答模型。进一步优化官方模型,该文在文本特征融入后,加入关键时间戳下的视频和音频特征的辅助学习,从而提高三种模态之间的关联程度。