动作检测问答系统

功能：

1. 视频语义分割：根据教学视频，自动拆解步骤，
2. 视频语义描述：根据提示，结合动作，生成动作指引；
3. 视频语义比对：输入实际操作视频，和教学视频进行比对，生成改进建议；
4. 视频语义解构：生成结构化时序场景图，用于下游应用分析；
5. 视频语义生成：根据标准操作流程，生成视频指引。

数据集

• 家居组装

参考项目：

• TimeChat(code, paper)：从BLIP2架构演化而来，数据集主要是YouCook。考虑可以使用宜家组装数据集，重新训练一个针对组装类视频的VLM模型。

• VisualNarrationProceL(code, paper)：专门针对指导类视频和文本之间进行步骤弱对齐的一篇文章。

• HawkEye(paper, code)：一个基于QFormer的Video Grounding（在视频中准确定位文本描述的片段起止时间的任务）模型，有点像在视频上做二分查找，先粗粒度判断目标事件发生在视频的哪一段，然后递归分析对应的片段直到整个片段都是目标事件结束。

• InternVL(paper, code)：更大的BLIP2，包括更大的ViT作为视频编码器，QFormer改成了QLLaMa，从32个learnable query增加到96个，模型参数量更大，等等。

实施计划：

BLIP2 + InternLM2，实现图片VQA

目前大部分QFormer变体的模型，都是从LAVIS修改而来，LAVIS的代码质量比较高，可以从这个代码库开始搭建基础框架。

• 使用BLIP2官方代码库，完整跑通BLIP2模型推理；
• 使用BLIP2官方代码库，在本地环境跑通模型训练，使用coco和VG数据集(vg数据集加载的目录结构和BLIP2的DataLoader需要的不一样，暂时先不管了）；
• 修改BLIP2代码，把LLM模型换成InternLM2-1.8B，重新训练（文档记录）；
• 按照ImageTextDataset形式构建IKEA Assembly数据集；
• 在BLIP2训练中加入IKEA Assembly数据集；
• 评估模型效果。

TimeChat + InterLM2，实现短视频的DenseCaptioning和VQA

在掌握BLIP2之后，开始改造TimeChat。

• 跑通TimeChat推理；
• 参考TimeIT数据集，构造IKEA Assembly数据集；
• 使用InternLM2-1.8B模型替换LLM；
• 实现Dense Captioning Demo；
• 实现VQA Demo；

阶段性Demo

实现长视频的Video Grounding

待更新