InternVideo2 (VFM)

 

 

Motivation

Figure 1

 

InternVideo2는 three stages of learning scheme으로 spatiotemporal perception을 개선한다. 처음에는 VideoMAE처럼 maksed video token prediction을 수행한다. 두 번째 stage로 multimodal learning을 수행하여 audio와 text에 대해서도 task를 수행할 수 있게 된다. 마지막으로 InternVideo2를 LLM에 붙여 next-token prediction training함으로써 contextually appropriate token을 generate하도록 train된다. 

 

Method

video encoder로 CLIP을 쓰지 않고 ViT를 쓴다. 여기에 attention pooling과 distillation을 위한 projection layer를 붙여서 사용한다. 

 

video에 대해서는 8 frame을 sampling한 뒤 14×14 spatial downsampling을 진행한다. 이 token들은 class token과 함께 spatiotemporal하게 concatenate되어서 3D pos embedding이 더해진다. hyperparamater setting은 InternViT-6B와 같다 

 

Table 1: Architecture of ViT-6B.

 

 

Figure 2: Framework of InternVideo2.

Stage 1: Reconstructing Masked Video Tokens

특이하게 teacher를 하나 쓰는 게 아니라 여러 개 사용한다. InterVL과 motion-aware model VideoMAEv2를 이용해서 semantic guidance를 받는다. 이를 이용해서 다음 objective를 minimize한다:

$$\mathcal{L}=\frac{1}{Z}\sum ({\alpha }_1{|f^V(V_p)-h(V_p)|}^2+{\alpha }_2{|f^V(V_p)-g(V_p)|}^2)$$

 

$f^V,h,g$는 모두 video encoder인데, $f^V$가 train할 video encoder, 나머지 둘이 teacher이다. $p$는 token index, $f(V_p)$는 video V에 대한 InternVideo2의 extracted token이다. $Z$는 normalization factor고 두 $\alpha$는 weighting의 역할을 한다. 

 

이 방식으로 multimodal에 friendly하고 action recognition 능력을 향상시켰다고 주장한다. 

 

Stage 2: Aligning Video to Audio-Speech-Text

audio, text, speech를 align해서 InternVideo2에 활용하였다. audio encoder로는 12-layer Transformer initialized with BEATs를 사용하여 64d audio spectogram에서 feature를 extract했다. 

 

pretraining objective는 crossmodal contrastive and matching losses with masked language reconstruction으로 다음과 같다:

$$\mathcal{L}={\beta }_1{\mathcal{L}}_{CON}+{\beta }_2{\mathcal{L}}_{MAC}+{\beta }_3{\mathcal{L}}_{MLM}$$

 

 

$M$은 input signal modality이고 $T_{M^{\prime }}$은 text description이다. 둘 간 sim을 양방향으로 optimize하는 방식으로 train하는 것이다.

 

CON 이외의 MAC, MLM loss는 [2]를 참조하면 된다. 

$${\mathcal{L}}_{MAC}=-y\log f_p(V,T)-(1-y)\log (1-f_p(V,T))$$

video $V$와 text $T$간의 matching likelihood를 평가하는 CE loss이다. $y$는 matching이 paired(y=1)인지 not(y=0)인지 나타내는 index이다.

 

$${\mathcal{L}}_{MLM}=-\log f_p^T(T_j|T_{<j})$$

MLM loss는 autoregressive하게 next token prediction을 수행한다. 

 

Aligning Masked Visual-Language-Audio

audio encoder freeze하고 먼저 visual, text feature를 aligning한다. dataset은 image, video, audio-video 데이터를 가지고 pretrain했다. 

$$\{M,T_{M^{\prime }}\}\in \{\{I,T_I\},\{V,T_V\},\{V,T_{VAS}\},\{VA,T_{VAS}\}\}$$

 

VAS는 video, audio, speech의 concatenated feature를 의미한다. 

 

Unmasked Visual-Audio-Language Post-Pretraining

masking하지 않고 video를 freeze한 상태에서 align을 강화했다. 

 

 

Figure 3: The framework of VidCap video multimodal annotation system.

 

 

Stage 3: Predicting Next Token with Video-Centric Inputs

video encoder의 embedding을 enrich하고 user-friendly하게 만들기 위해서 video BLIP과 incorporate했다. training 과정은 VideoChat2를 따랐다.

 

---

 

References

[1] Jiang, B., Chen, X., Liu, W., Yu, J., Yu, G., & Chen, T. (2024). Motiongpt: Human motion as a foreign language. Advances in Neural Information Processing Systems, 36.

[2] Feng Cheng, Xizi Wang, Jie Lei, David J. Crandall, Mohit Bansal, and Gedas Bertasius. Vindlu: A recipe for effective video-and-language pretraining. ArXiv, abs/2212.05051, 2022.

Footnotes