《Multilevel Language and Vision Integration for Text-to-Clip Retrieval》（2018 CVPR）

这篇文章引入了一个多层的模型，输入一个描述某个动作的查询语句，就可以从一段没有经过修剪的视频中找出对应的片段。

首先是第一个阶段，在temporal segment proposal阶段注入文本特征。该步骤通过SPN（Segment Proposal Network）网络来实现：

简单来说，SPN网络首先使用3D卷积网络（C3D）对输入视频中的所有帧进行编码，然后用LSTM把query语句S嵌入到特征向量f（S）中，再计算视频特征和f（S）的内积，并用tanh函数激活，来得到注意力权重（attention weight）。

然后是早期融合检索模型。SPN的输出是一组候选的片段，接下来就用早期融合模型来选取最接近query sentence的片段。结构如下。

模型的第一层LSTM处理句子中的单词。第二层的输入是视觉特征嵌入f（R）和第一层生成的每个单词的隐藏状态h。最后就可以通过预测得到一个非线性相似性得分σ(S;R)。

在训练过程中使用的是基于三元组（S; R; R’）的检索损失，其中（S; R）是匹配的语句-片段对，而R’是和S不匹配的负片段。损失函数如下：

优化该损失函数的最终目的就是使σ(S;R) 越大越好，而σ(S;R’)越小越好。

此外，还引入了captioning loss函数：

这个函数可以作为该模型的验证步骤，也就是从理论上来说，应该能够从检索到的视频片段中重新生成query sentence。

最后，总体的损失函数由以上两个函数共同构成：

在本文中，λ 取值为0.5。

在实验部分用到了两个数据集：Charades-STA和ActivityNet Caption。这两个数据集都包含文本-视频检索任务所需要的数据注释。下表示在Charades-STA上的检索结果：

最后一行是文章所提出的完整模型，可以看出几乎所有的情况下该模型都取得了最好的表现。其中，CTRL是2017年提出的一个文本-视频检索的模型。该方法能够在性能上超过CTRL，可能的原因有两点：

1. CTRL用的是滑动窗口方法，可伸缩性不强，相比之下本文提出的方法是在更细的粒度上进行检索，因此准确度更高；
2. CTRL用的是二进制分类损失，而本文提出的方法用的是基于三元组的损失，此外还引入了captioning loss作为验证，因此精确度更高。

下表是在ActivityNet Caption数据集上的实验结果，和Charades-STA基本一致：