概述
论文地址：https://arxiv.org/pdf/2403.10517
本研究引入了一个新颖的基于代理的系统，名为 VideoAgent。该系统以大规模语言模型为核心，负责识别关键信息以回答问题和编辑视频。VideoAgent 在具有挑战性的 EgoSchema 和 NExT-QA 基准上进行了评估，平均帧数分别为 8.4 帧和 8.2 帧，零镜头准确率分别达到 54.1% 和 71.3%。的零镜头准确率。
介绍
理解长视频需要能够处理各种信息并有效推理长序列的模型。现有的尝试发现，要建立能满足所有这些要求的模型非常困难。目前的大规模语言模型适合处理长语境，但不足以处理视觉信息。另一方面，视觉语言模型被认为难以处理长视觉输入。我们的系统模仿了视频理解过程，侧重于推理能力而不是处理长视觉输入；VideoAgent 比现有方法更有效、更高效，是长视频理解领域的一大进步。
相关研究
传统方法包括对视频进行选择性或压缩性处理。压缩稀疏性方法试图将视频压缩为有意义的嵌入或表示。选择性压缩方法则试图根据输入的问题或文本对视频进行子采样。代理是做出决策和执行行动的实体。大规模语言建模（LLM）技术的进步促使越来越多的研究将 LLM 作为代理来使用。这种方法已成功应用于多种场景，如在线搜索和纸牌游戏。受人类理解视频方式的启发，本研究将视频理解重新表述为一个决策过程。
建议方法
- 初始状态检索：.
首先，向 LLM 展示视频中的均匀采样帧，使其熟悉视频上下文。视觉语言模型（VLM）用于将视觉信息转化为语言描述。这种初始状态记录了视频内容和含义的概况。
- 决定下一步行动：。
考虑到当前情况，LLM 决定下一步行动；有两种可能的选择。一个是回答问题，另一个是搜索新信息；LLM 会考虑问题和现有信息，进行反思，并根据置信度选择行动。
- 收集新的观察结果：。
需要新信息时，LLM 使用工具来检索。有些信息是在分段级别收集的，以增强时间推理功能。获取的信息可作为更新当前状态的观测信息。
- 最新现状：.
考虑到新的观察结果，VLM 用于为每一帧生成标题，然后请求 LLM 生成下一轮的预测。
与传统方法相比，这种方法具有若干优势。特别是，收集信息的适应性选择策略可以找到相关信息，并将回答不同难度问题所需的成本降至最低。
试验
数据集和衡量标准
EgoSchema 包含一个以自我为中心的视频，包含 5000 个问题；NExT-QA 包含一个以物体互动为特色的自然视频，包含 48000 个问题。自然视频，包含 48,000 个问题。
实施细节。
所有视频都以 1 帧/秒的速度解码，并根据视觉描述和帧特征之间的余弦相似度检索出最相关的帧。在实验中，我们将 LaViLa 用于 EgoSchema，将 CogAgent 用于 NExT-QA。GPT-4 也被用作 LLM。
与最先进技术的比较
VideoAgent 在 EgoSchema 和 NExT-QA 数据集上取得了 SOTA 结果，明显优于之前的方法。例如，它在完整的 EgoSchema 数据集上取得了 54.1% 的准确率，在 500 个问题的子集上取得了 60.2% 的准确率。
迭代帧选择分析。
VideoAgent 的关键组件之一是迭代帧选择。这一过程会动态检索和汇总信息，直到收集到足够的信息来回答问题。为了更好地理解这一过程，我们进行了全面的分析和消融研究。
基本模型的消融
LLM（大型语言模型）：对不同的 LLM 进行了比较，发现 GPT-4 的性能优于其他模型；GPT-4 在结构化预测方面尤为突出，在生成准确的 JSON 格式方面表现出色。
VLM（视觉语言模型）：对三种最先进的 VLM 进行了研究，结果发现 CogAgent 和 LaViLa 的性能相近，而 BLIP-2 的性能较差。
CLIP（对比语言图像模型）：对不同版本的 CLIP 进行了评估，结果表明，所有版本的 CLIP 性能相当；CLIP 在检索任务方面更胜一筹，而且效率更高，因为它不需要重新计算图像嵌入。
案例研究
我们以解析 NExT-QA 实例为例，说明视频代理如何识别缺失信息、确定所需的附加信息并使用 CLIP 检索详细信息。
演示了 VideoAgent 如何正确解析 YouTube 上一小时的视频。演示者强调，在这种情况下，GPT-4V 可以提供已识别的帧来正确回答问题。
结论
本研究介绍了一个视频理解系统，该系统利用一个名为 VideoAgent 的大规模语言模型，通过多轮迭代过程有效地检索和聚合信息，展示了其在理解长视频方面的卓越效果和效率。今后的工作将集中在改进和整合模型、将其扩展到实时应用、将其应用到各种应用领域以及改进用户界面等方面，这将进一步推进和拓宽 VideoAgent 的应用。