VideoLLaMA 2: Avanzando en el Modelado Espacio-Temporal y la Comprensión de Audio en Video-LLMs

VideoLLaMA 2: Advancing Spatial-Temporal Modeling and Audio Understanding in Video-LLMs

June 11, 2024

Autores: Zesen Cheng, Sicong Leng, Hang Zhang, Yifei Xin, Xin Li, Guanzheng Chen, Yongxin Zhu, Wenqi Zhang, Ziyang Luo, Deli Zhao, Lidong Bing

cs.AI

Resumen

En este artículo, presentamos VideoLLaMA 2, un conjunto de Modelos de Lenguaje Grande para Video (Video-LLMs) diseñados para mejorar el modelado espacio-temporal y la comprensión de audio en tareas orientadas a video y audio. Basándose en su predecesor, VideoLLaMA 2 incorpora un conector de Convolución Espacio-Temporal (STC) especialmente diseñado, que captura eficazmente las complejas dinámicas espaciales y temporales de los datos de video. Además, integramos una Rama de Audio en el modelo mediante entrenamiento conjunto, enriqueciendo así las capacidades de comprensión multimodal del modelo al incorporar de manera fluida las señales de audio. Evaluaciones exhaustivas en tareas de respuesta a preguntas de video de opción múltiple (MC-VQA), respuesta a preguntas de video abiertas (OE-VQA) y generación de subtítulos de video (VC) demuestran que VideoLLaMA 2 logra consistentemente resultados competitivos entre los modelos de código abierto e incluso se acerca a algunos modelos propietarios en varios benchmarks. Además, VideoLLaMA 2 muestra mejoras razonables en benchmarks de respuesta a preguntas solo de audio y de audio-video (AQA & OE-AVQA) en comparación con los modelos existentes. Estos avances subrayan el rendimiento superior de VideoLLaMA 2 en la comprensión multimodal, estableciendo un nuevo estándar para los sistemas de análisis inteligente de video. Todos los modelos son públicos para facilitar investigaciones futuras.

English

In this paper, we present the VideoLLaMA 2, a set of Video Large Language Models (Video-LLMs) designed to enhance spatial-temporal modeling and audio understanding in video and audio-oriented tasks. Building upon its predecessor, VideoLLaMA 2 incorporates a tailor-made Spatial-Temporal Convolution (STC) connector, which effectively captures the intricate spatial and temporal dynamics of video data. Additionally, we integrate an Audio Branch into the model through joint training, thereby enriching the multimodal understanding capabilities of the model by seamlessly incorporating audio cues. Comprehensive evaluations on multiple-choice video question answering (MC-VQA), open-ended video question answering (OE-VQA), and video captioning (VC) tasks demonstrate that VideoLLaMA 2 consistently achieves competitive results among open-source models and even gets close to some proprietary models on several benchmarks. Furthermore, VideoLLaMA 2 exhibits reasonable improvements in audio-only and audio-video question-answering (AQA & OE-AVQA) benchmarks over existing models. These advancements underline VideoLLaMA 2's superior performance in multimodal comprehension, setting a new standard for intelligent video analysis systems. All models are public to facilitate further research.