Mar, 2021

ViViT: 一种视频视觉Transformer

TL;DR本研究提出一种基于纯Transformer模型的视频分类方法,采用从图像分类中成功应用的模型。通过从输入视频中提取时空标记,并通过一系列Transformer层进行编码。为了处理视频中遇到的长序列,我们提出了一些高效的模型变体,可分解输入的空间和时间维度。尽管Transformer模型只在有大型训练数据集时有效,但我们展示了如何有效规范化模型,并利用预训练的图像模型,使得我们能够在相对较小的数据集上进行训练。我们进行了彻底的削减研究,并在多个视频分类基准测试中实现了最先进的结果,包括Kinetics 400和600,Epic Kitchens,Something-Something v2和Moments in Time,优于基于深度3D卷积网络的先前方法。为了促进进一步的研究,我们在以下链接中发布了代码。