WBDC_2022_RANK8

2022微信大数据挑战赛 第8名 方案

官网链接 : link

环境配置

Python 版本：3.8
PyTorch 版本：1.9.0
CUDA 版本：11.1

所需环境在 requirements.txt 中定义。

数据

• 使用大赛提供的未标注数据进行无监督预训练（100万）
• 使用大赛提供的有标注数据进行微调（10万）。

简介

模型简介

(1) 单流模型: visual-bert 郭大分享链接

(2) 双流模型：lxmert

• 文本：bert-base
• 视频：vit-base
• 融合层：三层cross attention

视频特征抽取

• 使用了 huggingface 上提供的 openai/clip-vit-base-patch32 模型。link

单流预训练

(1) Mask language model 任务

• title 随机 30% 进行 mask，预测 mask 词。
  

(2) Mask frame model 任务

• 对 frame 的随机 15% 进行 mask，mask 采用了全 0 的向量填充。
  采用了 Nce loss，最大化 mask 帧和预测帧的互信息
  

(3) frame text match 任务

• 打乱 batch 中 50%的视频帧， 预测 frame 和 text 是否配对
  

(4) frame text clip 任务

• 参考 郭大QQ浏览的 Inverse Cloze Task 的做法，link
  
• 具体实现：
  
  • title 单独输入bert 得到 title_embedding
    
  • frame ocr asr 拼接后 输入 bert 得到 frame_ocr_asr_embedding
    
  • 构建 title_embedding 和 frame_ocr_asr_embedding 对比loss
    

(5) mask modality clip 任务

• 针对模态缺失的问题：设计 mask 掉 全部 frame 或 全部 text 的 任务
  
• 参考论文： VLM: Task-agnostic Video-Language Model Pre-training for Video Understanding link
  

clip预训练

(1) video text clip 任务

• 参照论文：ActionCLIP: A New Paradigm for Video Action Recognition link
• 具体实现
  • 使用 clip-vit-base 提取 每个视频4帧的图像特征后 mean pooling 代表 video_embedding
  • 使用 bert 提取 tilte 的特征 代表 title_embedding
  • video_embedding 和 title_embedding 做 clip loss

微调

模型 id	模型结构	bert 初始化权重	vit 初始化权重	trick	F1-mean
model-1	单流	单流预训练 epoch 15	clip-vit-base-32	ema fgm	71.4 (单折) 72.2 (全量)
model-2	单流	单流预训练 epoch 15	clip 预训练 epoch 15	ema fgm	71.7(单折) 72.1(全量)
model-3	双流	macbert-base	clip-vit-base-32	ema fgm	71(单折)
model-4	单流	单流预训练 epoch 15	clip-vit-base-32	ema pgd	-

4个模型 ensemble 复赛 F1-mean：0.731633

最后

• 历时两个半月，非常感谢主办方提供的数据和计算资源，感谢工作人员的辛苦答疑。
• 此外， 也感谢QQ浏览器Ai算法大赛第一名、第二名和初赛周周星各位大佬们的分享和无私开源，我从中学到了许多无监督预训和训练技巧的新知识。