阿里云发布 VideoLLaMA 2 视频语言模型 提升模型对视频、音频内容的理解能力

VideoLLaMA 2 是一个旨在提升视频大语言模型（Video-LLM）时空建模和音频理解能力的项目。该模型集成了一个专门设计的时空卷积（Spatial-Temporal Convolution，STC）连接器，有效捕捉视频数据中的复杂时空动态。此外，通过联合训练，模型还集成了音频分支，增强了多模态理解能力。

• 理解视频里的动作和变化：它能识别视频中人物的动作和事件，比如知道某人在做什么。
• 处理视频中的声音：它不仅看视频，还能听视频里的声音，比如说话声或音乐，并结合声音和画面理解内容。
• 回答关于视频的问题：你可以问它视频里的事情，它会给出详细的回答，比如“这个人在干什么？”。
• 生成视频字幕：它能为视频生成字幕，方便观众理解视频内容。

VideoLLaMA 2 的主要功能详细介绍

1. 多模态视频理解

VideoLLaMA 2 通过整合视觉和音频信号，显著提升了对视频内容的理解能力。其主要功能包括：

• 多选视频问答（MC-VQA）：在多选题视频问答任务中，VideoLLaMA 2 能够准确地从视频内容中提取信息并选择正确答案。
• 开放式视频问答（OE-VQA）：在开放式问答任务中，模型能够根据视频内容生成详细的自然语言回答。
• 视频字幕生成（VC）：能够为视频生成自然、详细的字幕，准确描述视频中的重要事件和细节。

2. 空间-时间建模

VideoLLaMA 2 引入了空间-时间卷积连接器（STC），能够更好地捕捉视频中的复杂动态，主要功能包括：

• 空间-时间卷积：通过3D卷积操作，有效聚合视频帧的空间和时间特征，保持视频的空间和时间顺序。
• 局部细节保留：采用RegStage模块在空间压缩过程中保留局部视觉模式，提高视频理解的准确性。

3. 音频理解与整合

VideoLLaMA 2 通过联合训练的音频分支，提升了模型的音频理解和整合能力，具体功能包括：

• 音频特征提取：使用BEATs音频编码器，将音频信号转换为详细的音频特征。
• 音频-语言对齐：通过线性层将音频特征与大型语言模型对齐，实现音视频内容的无缝结合。
• 音频问答（AQA）：在音频问答任务中，模型能够根据音频输入生成准确的回答。
• 通过将音频信号转换为对数梅尔频谱图，并结合先进的音频编码器（如BEATs），VideoLLaMA 2能够提取详细的音频特征，并与视觉特征进行对齐，从而实现更全面的多模态理解。

4. 联合训练与优化

VideoLLaMA 2 采用多任务联合训练方法，优化模型在多模态任务中的表现，具体包括：

• 多任务微调：结合视频-语言和音频-语言数据进行微调，提高模型在多模态任务中的通用性和准确性。
• 联合训练策略：通过联合音频和视频模态的数据，提升模型对复杂场景的理解和应对能力。

技术方法

1. 架构设计

VideoLLaMA 2 采用了双分支框架，包括视觉-语言分支和音频-语言分支。

• 视觉-语言分支：
  • 视觉编码器：采用 CLIP（ViT-L/14）作为视觉编码器，将视频帧编码为特征。
  • 空间-时间卷积连接器（STC）：通过3D卷积操作，聚合视频帧的空间和时间特征，并使用RegStage块在下采样前后保持局部视觉模式。
  • 语言模型：使用大型语言模型（如 Mistral-Instruct 或 Mixtral-Instruct）生成基于文本提示的响应。
• 音频-语言分支：
  • 音频预处理：将音频信号转换为对数梅尔频谱图。
  • 音频编码器：使用 BEATs 音频编码器提取音频特征。
  • 线性层对齐：通过线性层将音频特征与大型语言模型对齐，实现音视频内容的结合。

2. 空间-时间卷积连接器（STC）设计

• 3D 卷积：使用3D卷积操作进行空间-时间聚合，有效捕捉视频中的动态变化，它能同时处理视频的空间和时间信息，帮助模型理解视频中的动作。
• RegStage 块：在压缩视频信息时，保持重要的细节，确保模型不漏掉任何重要内容。

3. 训练过程

VideoLLaMA 2 的训练过程分为三个阶段：视频-语言训练、音频-语言训练和音频-视频联合训练

• 视频-语言训练：
  • 预训练：使用大量的视频和文本数据，让模型学会基本的视觉和语言理解。
  • 多任务微调：使用更高质量的数据进行细致的训练，提高模型在具体任务中的表现。
• 音频-语言训练：
  • 预训练：使用大量的音频和文本数据，让模型学会基本的音频和语言理解。
  • 多任务微调：使用不同的音频数据进行细致的训练，提高模型的音频理解能力。
• 音频-视频联合训练：
  • 联合训练：同时使用音频和视频数据进行训练，让模型学会如何结合音频和视频信息进行理解和回答。

4. 模型评估

VideoLLaMA 2 在多个基准测试中进行评估，包括视频理解和音频理解任务。

• 视频理解评估：
  • MC-VQA：评估多选视频问答任务中的表现，测试集包括EgoSchema、Perception-Test、MV-Bench等。
  • OE-VQA：评估开放式视频问答任务，测试集包括MSVD-QA、ActivityNet-QA等。
  • 视频字幕生成：在多源视频字幕（MSVC）基准上评估生成字幕的正确性和详细度。

    

• 音频理解评估：
  • AQA：在Clotho-AQA和TUT2017数据集上评估音频问答任务中的表现。
  • OE-AVQA：评估开放式音频-视频问答任务，测试集包括AVSSD、AVSD、Music-AVQA等。

GitHub：https://github.com/DAMO-NLP-SG/VideoLLaMA2