Apr, 2023

SViTT: 稀疏视频文本Transformer的时间学习

TL;DR通过引入边缘稀疏性和节点稀疏性的SViTT稀疏视频文本架构可以以较低的成本进行多帧推理,优于朴素变压器基线,并对多个视频文本检索和问答基准进行了训练,以及在更长的片段长度下是针对模型稀疏性(sparsity)进行了培训。