Actor and Action Video Segmentation from a Sentence

CVPR2018 Oral的一篇关于跨媒体(Video与NLP结合)的文章，paper链接 https://arxiv.org/abs/1803.07485，一作是荷兰阿姆斯特丹大学的PHD，作者的homepage https://kgavrilyuk.github.io/，code和datasets还没有被released出来。
个人瞎扯：这是我见过的第一篇发表出来的用NLP做video segmentetion的文章，其实还有一篇已经挂载arxiv上面了，现在应该是在投ECCV 2018。
文章要做的事情（video segmentation from a sentence）
输入：sentence+video dataset　　　　输出：video mask

可视化的分割结果如下所示。

与state-of-the-art方法定量的对比结果如下所示。

method
video segmentation from a sentence framework如下所示。

从这个framework中可以看出，文章主要分为三部分。

• sentence encoder。首先加padding使所有的sentence长度一样，然后用在Google News dataset上面做fine-tuning的模型提取300-300-Dim的word2ver向量，然后在用1-Dim CNN提取feature。文章在ablation study中做过分析，1-Dim CNN比vanilla LSTM和bidirectional LSTM效果都要好。
• video encoder。同样是先加padding使所有video的frame一样长，然后再用I3D encoder video，其中有两个trick。
  – 1.在feature map的空间位置上面做L2 Norm。
  – 2.把空间位置作为额外的通道学习空间关系（qualifiers），例如left of，above等等。
• video mask decoder。直接在video representation基础上采用deconvolutional neural network（kernel size 8 x 8 and stride 4， followed by a convolutional layer with a kernel size of 3 x 3 and a stride of 1），分别采用3个scale（32x32，128x128和512x512）的response map做loss function，highest-resolution response map是final segmentation prediction，其中也有两个trick。
  – 1.tanh activation function and L2-normalization on the features。
  – 2.dynamic filters。