TALL是由南加州大学的Jiyang Gao等人提出的视频查找方向的经典模型。对输入的文本序列和视频片段，TALL模型利用多模态时序回归定位器(Cross-modal Temporal Regression Localizer, CTRL)联合视频信息和文本描述信息，输出位置偏置和置信度。CTRL包含四个模块：视觉编码器从视频片段中提取特征，文本编码器从语句中提取特征向量，多模态处理网络结合文本和视觉特征生成联合特征，最后时序回归网络生成置信度和偏置。
详细内容请参考TALL: Temporal Activity Localization via Language Query。
TALL的训练数据采用TACoS数据集，数据下载及准备请参考数据说明
数据准备完毕后，可以通过如下两种方式启动训练：
export CUDA_VISIBLE_DEVICES=0
export FLAGS_fast_eager_deletion_mode=1
export FLAGS_eager_delete_tensor_gb=0.0
export FLAGS_fraction_of_gpu_memory_to_use=0.98
python train.py --model_name=TALL \
--config=./configs/tall.yaml \
--log_interval=10 \
--valid_interval=10000 \
--use_gpu=True \
--save_dir=./data/checkpoints \
--fix_random_seed=False
bash run.sh train TALL ./configs/tall.yaml
-
从头开始训练，使用上述启动命令行或者脚本程序即可启动训练，不需要用到预训练模型
-
可下载已发布模型model通过
--resume指定权重存放路径进行finetune等开发 -
模型未设置验证集，故将valid_interval设为10000，在训练过程中不进行验证。
训练策略：
- 采用Adam优化算法训练
- 学习率为1e-3
可通过如下两种方式进行模型评估:
python eval.py --model_name=TALL \
--config=./configs/tall.yaml \
--log_interval=1 \
--weights=$PATH_TO_WEIGHTS \
--use_gpu=True
bash run.sh eval TALL ./configs/tall.yaml
-
使用
run.sh进行评估时，需要修改脚本中的weights参数指定需要评估的权重。 -
若未指定
--weights参数，脚本会下载已发布模型model进行评估 -
运行上述程序会将测试结果打印出来，同时保存在json文件中，默认存储在data/evaluate_results目录下。
-
使用CPU进行评估时，请将上面的命令行或者run.sh脚本中的
use_gpu设置为False
在TACoS数据集下评估精度如下:
| R1@IOU5 | R5@IOU5 |
|---|---|
| 0.13 | 0.24 |
可通过如下两种方式启动模型推断：
python predict.py --model_name=TALL \
--config=./configs/tall.yaml \
--log_interval=1 \
--weights=$PATH_TO_WEIGHTS \
--filelist=$FILELIST \
--use_gpu=True
bash run.sh predict TALL ./configs/tall.yaml
-
使用python命令行启动程序时，
--filelist参数指定待推断的文件列表。用户也可参考数据说明步骤二生成默认的推断文件。--weights参数为训练好的权重参数，如果不设置，程序会自动下载已训练好的权重。 -
使用
run.sh进行评估时，需要修改脚本中的weights参数指定需要用到的权重。 -
若未指定
--weights参数，脚本会下载已发布模型model进行推断 -
模型推断结果存储于json文件中，默认存储在
data/dataset/predict_results目录下。 -
使用CPU进行推断时，请将命令行或者run.sh脚本中的
use_gpu设置为False
- TALL: Temporal Activity Localization via Language Query, Jiyang Gao, Chen Sun, Zhenheng Yang, Ram Nevatia.