之前两次分别介绍了video analysis中的action recognition 以及 temporal action detection 这两个领域。这两个领域算是对视频mid-level的理解，而我最近看论文主要在关注如何去理解视频的高层语义(high-level)信息，这方面一个重要的领域就是video captioning。video captioning的任务是给视频生成文字描述，和image captioning(图片生成文字描述)有点像，区别主要在于视频还包含了时序的信息。关于video captioning，我目前还没有自己动手做过实验，所以文章内容如有问题麻烦指出~
数据库
首先介绍一下近几年最常用的两个数据库。
MSR-VTT dataset: 该数据集为ACM Multimedia 2016 的 Microsoft Research - Video to Text (MSR-VTT) Challenge。地址为 Microsoft Multimedia Challenge 。该数据集包含10000个视频片段(video clip)，被分为训练，验证和测试集三部分。每个视频片段都被标注了大概20条英文句子。此外，MSR-VTT还提供了每个视频的类别信息(共计20类)，这个类别信息算是先验的，在测试集中也是已知的。同时，视频都是包含音频信息的。该数据库共计使用了四种机器翻译的评价指标，分别为：METEOR, BLEU@1-4,ROUGE-L,CIDEr。
YouTube2Text dataset(or called MSVD dataset):该数据集同样由Microsoft Research提供，地址为 Microsoft Research Video Description Corpus 。该数据集包含1970段YouTube视频片段(时长在10-25s之间)，每段视频被标注了大概40条英文句子。
可以看出，这两个数据库都是trimmed video clip 到 sentences的翻译。而这两年的论文基本上使用这两个数据库为主，说明目前的研究还主要集中在trimmed video clip 到 sentences的翻译。
任务关键点分析
video captioning任务可以理解为视频图像序列到文本序列的seq2seq任务。在近年的方法中，大部分文章都使用了LSTM来构造encoder-decoder结构，即使用lstm encoder来编码视频图像序列的特征，再用lstm decoder解码出文本信息。这样的video captioning模型结构最早在ICCV2015的”Sequence to Sequence – Video to Text”一文中提出。
构造一个encoder-decoder结构的模型主要包括几个关键点：
1. 输入特征：即如何提取视频中的特征信息，在很多篇文章中都使用了多模态的特征。主要包括如下几种：
基于视频图像的信息：包括简单的用CNN(VGGNet, ResNet等)提取图像(spatial)特征，用action recognition的模型(如C3D)提取视频动态(spatial+temporal)特征
基于声音的特征：对声音进行编码，包括BOAW(Bag-of-Audio-Words)和FV(Fisher Vector)等
先验特征：比如视频的类别，这种特征能提供很强的先验信息
基于文本的特征：此处基于文本的特征是指先从视频中提取一些文本的描述，再將这些描述作为特征，来进行video captioning。这类特征我看到过两类，一类是先对单帧视频进行image captioning,将image captioning的结果作为video captioning的输入特征，另外一类是做video tagging，将得到的标签作为特征。
2. encoder-decoder构造：虽然大部分工作都是用lstm做encoder-decoder，但各个方法的具体配置还是存在着一定的差异。
3. 输出词汇的表达：主要包括两类，一类是使用Word2Vec这种词向量表示，另外就是直接使用词袋表示。
4. 其它部分：比如训练策略，多任务训练之类的。
论文介绍
论文介绍部分只简要介绍我最近看的几篇近两年的文章，可以大概了解这个领域的进展情况。
ACM MultiMedia 2016： MSR-VTT Challenge
首先介绍一下上述数据库MSR-VTT这个竞赛当时的前5名的方案。Team指竞赛中的队伍名称，rank为竞赛的M1排名，paper为对应的方案描述，可以通过google scholar搜到。
(1) Team- Aalto; Rank-1; Paper: Frame- and Segment-Level Features and Candidate Pool Evaluation for Video Caption Generation
这个方法的思路很有趣。它先用多个基于不同特征的video caption方法(均为encoder-decoder结构)对视频生成多段描述。再构造了一个基于CNN的评价网络，如下图所示，输入为video caption方法得到的句子和视频的特征，输出为两者之间的匹配度。这个评价网络实际上是作为多个video caption模型的ensemble方法。
