摘要

在动作识别任务中，模型通常先在图像分类数据集（如 ImageNet）上进行预训练，随后在目标动作识别任务的视频数据上进行微调。这一方法在近年来基于 Transformer 的视频架构中取得了良好的实证效果。尽管当前已有大量研究致力于设计更先进的 Transformer 架构以提升动作识别性能，但针对视频 Transformer 如何有效训练的研究仍相对不足。本文系统探索了多种训练范式，并得出两个关键发现：首先，视频 Transformer 在多种视频数据集及标签空间（如 Kinetics 侧重外观特征，SomethingSomething 侧重运动特征）上进行联合训练时，性能显著提升；其次，通过进一步与图像（作为单帧视频）进行协同训练，视频 Transformer 能够学习到更优的视频表征。我们称此方法为“动作识别中的视频与图像协同训练”（Co-training Videos and Images for Action Recognition, CoVeR）。具体而言，在基于 TimeSFormer 架构并在 ImageNet-21K 上预训练的情况下，CoVeR 将 Kinetics-400 的 Top-1 准确率提升 2.4%，Kinetics-600 提升 2.3%，SomethingSomething-v2 提升 2.3%。当在更大规模图像数据集上预训练以延续先前最先进方法时，CoVeR 在 Kinetics-400（87.2%）、Kinetics-600（87.9%）、Kinetics-700（79.8%）、SomethingSomething-v2（70.9%）和 Moments-in-Time（46.1%）上均取得了当前最优结果，且仅采用一个简单的时空视频 Transformer 架构。