【论文笔记】Visual Alignment Pre-training for Sign Language Translation

🍎个人主页：小嗷犬的个人主页
🍊个人网站：小嗷犬的技术小站
🥭个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。

---

基本信息

标题: Visual Alignment Pre-training for Sign Language Translation
作者: Peiqi Jiao, Yuecong Min, Xilin Chen
发表: ECCV 2024

摘要

手语翻译（Sign Language Translation, SLT）旨在将手语视频翻译为文本句子。

尽管gloss序列为SLT中的视觉表征学习提供了有效的对齐监督信息，但标注gloss的高成本限制了其可扩展性。

现有工作在gloss-free的情况下尚未取得令人满意的结果。

在本研究中，我们将这一挑战归因于视觉token和文本token之间的灵活对应关系，并通过从文本句子中构建类似gloss的约束来解决这一问题。

具体而言，我们提出了一种 视觉对齐预训练（Visual Alignment Pre-training, VAP） 方案，通过以贪婪的方式对齐视觉和文本token来利用视觉信息。

VAP方案增强了视觉编码器捕获语义感知视觉信息的能力，并促进了与在大规模语料库上预训练的翻译模块的更好适配。

针对四个SLT基准的实验结果证明了VAP的有效性，能够生成合理的对齐，并显著缩小与gloss-based方法之间的性能差距。

介绍

主要贡献

• 探讨了gloss annotation在手语翻译（SLT）中的作用，并展示了在gloss-free设置下利用视觉信息的重要性。
• 提出了视觉对齐预训练（Visual Alignment Pre-training, VAP），通过以贪婪的方式对齐视觉和文本token来促进视觉表征学习。
• 对gloss-free的SLT模型训练进行了深入的实验。实验结果表明，VAP具有良好的效果，能够生成可靠的对齐结果，并接近gloss-based的方法。

方法

gloss标注在手语翻译中的作用

手语翻译旨在将手语视频翻译为对应的文本句子。如图2所示，通用的SLT网络可以划分为一个视觉编码器 ${\psi }_V$ 和一个翻译模块 ${\psi }_T$。给定一个手语视频或其他类型的输入（例如，骨架数据）$\mathcal{X}$ 和对应的文本句子 s = { s 1 , ⋯ , s U } s = \{s_1, \cdots, s_U\} s={s1​,⋯,sU​}，${\psi }_V$ 从视频中提取视觉特征 V = { v 1 , ⋯ , v r } \mathcal{V} = \{v_1, \cdots, v_r\} V={v1​,⋯,vr​}，而 ${\psi }_T$ 基于 $\mathcal{V}$ 预测 $s$。网络通过最小化负对数似然来优化，其公式为：

$${\mathcal{L}}_{SLT}=-\log p(s|\mathcal{V};{\theta }_{{\psi }_V},{\theta }_{{\psi }_T}).$$

在自然语言处理（NLP）中，单词对齐通常指的是在平行文本中指示对应单词 a = { a i } i = 1 m a = \{a_i\}_{i=1}^m a={ai​}i=1m​ 和 b = { b j } j = 1 n b = \{b_j\}_{j=1}^n b={bj​}j=1n​ 的过程，可以表示为矩阵 $\mathcal{A}\in {\mathbb{R}}^{m\times n}$，其中 A i j ∈ { 0 , 1 } A_{ij} \in \{0, 1\} Aij​∈{0,1} 表示 $a_i$ 是否与 $b_j$ 对应。考虑到 $\mathcal{V}$ 和 $s$ 之间的对齐关系 $\mathcal{A}$，最近gloss-based的SLT研究中使用的损失函数可以重新表述为：

$$\mathcal{L}={\mathcal{L}}_{SLT}+{\mathcal{L}}_{SLR}=-\log \sum _{\mathcal{A}}p(\mathcal{A}|\mathcal{V})p(s|\mathcal{V},\mathcal{A})-\log p(g|\mathcal{V}),$$

其中 g = { g 1 , ⋯ , g M } g = \{g_1, \cdots, g_M\} g={g1​,⋯,gM​} 表示包含 $M$ 个gloss的gloss标注，它与 $\mathcal{V}$ 单调对齐。如上文公式所示，${\mathcal{L}}_{SLT}$ 的监督来自两个方面：对齐本身和翻译与对齐的结合。gloss-based的方法通过引入额外的监督来提高视觉信息的利用率。然而，之前的gloss-free方法表现较差，主要原因在于 $\mathcal{V}$ 和 $s$ 之间的灵活对应关系，这阻碍了最佳对齐的寻找，并无法为视觉编码器提供足够的监督。

基于以上分析，我们认为解决该问题的关键在于从文本句子中构建类似gloss的约束，并提出了 视觉对齐预训练（Visual Alignment Pre-training, VAP） 方案。

视觉对齐预训练

gloss-based的传统方法通常利用CTC（连接时序分类）对 ${\psi }_V$ 进行监督，假设 ${\psi }_V$ 中所有的单调对齐均成立，公式如下：

$$L_{CTC}(g,V)=-\log (p(g|V;{\theta }_{{\psi }_V}))=-\log \left(\sum _{\pi }p(\pi |V;{\theta }_{{\psi }_V})\right)$$

其中 $\pi$ 表示 $V$ 和 $g$ 之间的一种对齐关系。我们假设视频中每个手势的近似含义可以在对应的文本句子中找到，并尝试利用 $V$ 和 $s$ 之间的对齐关系来监督 ${\psi }_V$。然而，$V$ 和 $s$ 之间存在多达 $2^{T\cdot U}$ 种潜在的对齐方式，这对在没有适当约束的情况下（例如单调关系或gloss注解所具有的约束）识别最佳对齐关系提出了挑战。受近期视觉-语言预训练技术的启发，我们提出了一种VAP方案，用于简化对齐过程，以贪婪方式近似最佳对齐，并为视觉编码器提供逐帧标签。

具体而言，给定一个文本句子 $s$，我们首先使用文本编码器 ${\psi }_E$ 提取其对应的文本特征 ${\psi }_E(s)$，然后通过两个简单的线性层将 $V$ 和 ${\psi }_E(s)$ 投影到一个联合特征空间：

$${\tilde{v}}_t=\text{Linear}(v_t),{\tilde{s}}_u=\text{Linear}({\psi }_E(s_u)).$$

随后，通过识别每个视觉特征与最相似的文本特征，可以计算对齐关系 ${\mathbf{A}}^{V2S}\in {\mathbb{R}}^{T\times U}$：

$$A_{t,u}^{V2S}=\{\begin{array}{ll}1,& \text{for }u=\arg {\max }_{u^{\prime }}f({\tilde{v}}_t,{\tilde{s}}_{u^{\prime }}),\\ 0,& \text{otherwise}.\end{array}$$

其中，$f(\cdot ,\cdot )$ 以余弦相似度的形式实现。为了确保 ${\mathbf{A}}^{V2S}$ 的合理性，我们通过以下公式计算视频和文本的相似性 $\rho (\mathcal{X},s)$：

$$\rho (\mathcal{X},s)=\frac{1}{T}\sum _{t=1}^{T}f({\tilde{v}}_t,A_t^{V2S}\tilde{s}),$$

并采用对比学习模式优化 ${\mathbf{A}}^{V2S}$。然而，仅依赖 $\rho (\mathcal{X},s)$ 进行预训练可能会导致 ${\psi }_V$ 的输出坍缩为一个恒定值。为了避免这种情况，我们还计算文本与视频的相似性 $\rho (s,\mathcal{X})$，该相似性通过为每个文本特征识别最相似的视觉特征 ${\mathbf{A}}^{S2V}$ 来计算。

在此基础上，对于包含 $N$ 个视频-文本对 { X i , s i } i = 1 N \{ \mathcal{X}^i, s^i \}_{i=1}^N {Xi,si}i=1N​ 的小批量，可以通过以下公式计算对比损失：

$$L_{\text{Align}}=-\frac{1}{2N}\left(\sum _{i=1}^N\log \frac{\text{exp}(\rho ({\mathcal{X}}^i,s^i)/\sigma )}{{\sum }_{j=1}^N\text{exp}(\rho ({\mathcal{X}}^i,s^j)/\sigma )}+\sum _{i=1}^N\log \frac{\text{exp}(\rho (s^i,{\mathcal{X}}^i)/\sigma )}{{\sum }_{j=1}^N\text{exp}(\rho (s^i,{\mathcal{X}}^j)/\sigma )}\right),$$

其中，$\sigma$ 是用于缩放logits的预定义温度。通过所提出的 $L_{\text{Align}}$，我们增大了成对的视觉和文本特征序列之间的相似性，这将鼓励每个特征找到其最相关的配对特征并靠拢。

此外，对齐的计算仅依赖于gloss级别的信息，缺乏对齐时间一致性的约束。上文公式的分解表明，翻译损失也显著增强了对齐质量。我们通过实验（表3）展示，仅通过重新初始化翻译模块就可以提升性能，这表明优化对齐过程与提升翻译能力同步进行的重要性。因此，我们将 $L_{\text{SLT}}$ 纳入进来，以确保所用翻译模块的时间一致性，从而达到对齐的时间一致性。预训练阶段的最终监督目标如下：

$$L_{\text{pre-train}}=L_{\text{Align}}+L_{\text{SLT}}.$$

通过以上设计，我们可以计算视觉和文本token之间的近似对齐，并获得一个语义感知的视觉编码器。

端到端微调

与一般的机器翻译数据集相比，公共的手语翻译（SLT）数据集仍然规模有限。因此，我们采用在大规模语料库（如 mBART, T5）上预训练的翻译模块来替代浅层翻译模块，从而在微调过程中缓解对大量训练数据的需求。此外，类似于文献中的 G2T（Gloss2Text）任务，我们设计了一个伪gloss到文本（P2T，Pseudo-gloss2Text）任务，用于微调预训练翻译模块以更好地适应任务。

具体来说，我们可以基于对齐矩阵 $A^{v2s}$ 为每个手语视频生成一个伪gloss序列 $\tilde{g}$。由于 $A^{v2s}$ 为每个视觉特征识别出最相似的文本token，而视频的连续性导致局部窗口内的特征可能会引用相同的token，我们简单地合并重复的token，通过以下公式获得 $\tilde{g}$：

$$\tilde{g}=\mathcal{B}(A^{v2s}s),$$

其中，$\mathcal{B}$ 表示合并操作。P2T 的训练目标可以表述为：

$${\mathcal{L}}_{P2T}=-\log p(s|\tilde{g}).$$

至此，我们已经有了预训练良好的视觉编码器和微调良好的翻译模块。接下来是对整个模型的端到端微调。我们采用一个两层的 MLP 作为视觉-语言映射器（V-L 映射器），与之前工作中相同，该模块负责将视觉特征投影到文本空间。在微调期间，我们仍然包括 ${\mathcal{L}}_{Align}$ 损失以持续改进视觉编码器，最终的总损失可以表示为：

$${\mathcal{L}}_{fine-tune}={\mathcal{L}}_{Align}+{\mathcal{L}}_{SLT}.$$

对齐质量评估

在上文中，我们假设视频中每个手语的大致含义可以在文本句子中找到，并通过识别最相似的文本token来计算对齐关系。基于这一假设，生成的伪gloss $\tilde{g}$ 也应该与手语视频单调对齐。然而，由于不同词汇之间的差异，我们无法直接通过gloss来评估生成对齐关系的质量。因此，我们提出了两种方法来间接评估生成对齐关系的质量。

如果 $\tilde{g}$ 与手语视频单调对齐，它应该能够像gloss一样指导 SLT 网络的学习。因此，我们从零开始训练一个 SLT 网络，类似于大多数gloss-based的 SLT 方法，但用伪gloss $\tilde{g}$ 替代了gloss，其损失函数可以表述为：

$$\mathcal{L}={\mathcal{L}}_{SLT}+{\mathcal{L}}_{CTC}(\tilde{g},V),$$

通过这种基于伪gloss的模型与 VAP 的性能差距可以隐式反映生成对齐关系的质量。

与通过翻译性能（如词错误率，WER）评估对齐质量相比，通过对齐性能进行评估更为直观。因此，我们提出通过在预训练中用伪gloss替换文本句子，计算生成伪gloss与对应gloss之间的 WER 来评估对齐方法的质量。换句话说，这种方法旨在检查对齐方法是否能够从无序序列中找到正确的顺序。

总的来说，所提出的方法能够评估对齐关系的质量，包括生成结果和对齐方法本身的质量。

训练与推理

训练

如图 3 所示，VAP 的训练流程包括三个阶段。

视觉编码器在第 1 阶段使用 $L_{\text{pre-train}}$ 进行预训练。翻译模块基于大规模语料库进行预训练，并在第 2 阶段使用 $\tilde{g}$ 进行微调。最后，在第 3 阶段，整个模型使用 ${\mathcal{L}}_{fine-tune}$ 进行端到端微调。

需要注意的是，VAP 是一种gloss-free方法，gloss仅用于如上文所述的伪gloss质量评估。

推理

在经过第3阶段的微调后，整个模型被用于推理。具体来说，视觉编码器首先提取视觉特征 $\mathcal{V}$，然后视觉-语言映射器（V-L mapper）将这些特征投射到文本空间中。接下来，翻译模块以自回归的方式生成文本句子。

实验

主实验

消融实验

可视化

总结

在本文中，我们专注于在无gloss标注情况下，如何在手语翻译（SLT）中利用视觉信息。

我们提出了一种视觉对齐预训练（Visual Alignment Pre-training, VAP）方案，通过从文本句子中构建类似gloss的约束来增强视觉编码器的能力。

VAP以一种贪心的方式逼近视觉特征与文本token之间的最优对齐，同时为视觉编码器提供逐帧的标签，并改善其与在大规模语料库上预训练的翻译模块之间的兼容性。

实验结果表明，所提出的VAP方案在引导视觉编码器学习和建立视觉特征与文本token之间的有意义对齐方面是有效的。此外，VAP生成的对齐结果可以作为伪gloss，为手语翻译模型提供中间监督。

我们预计，所提出的VAP方案将推动未来的研究工作，特别是在将手语翻译扩展到大规模数据集方面，从而促进手语翻译领域的发展。