4 个月前

重新思考视频ViTs:稀疏视频管用于图像和视频的联合学习

重新思考视频ViTs:稀疏视频管用于图像和视频的联合学习

摘要

我们提出了一种简单的方法,可以将ViT编码器转换为高效的视频模型,该模型能够无缝处理图像和视频输入。通过稀疏采样输入数据,模型可以从这两种输入中进行训练和推理。该模型易于扩展,并且可以在无需完全微调的情况下适应大规模预训练的ViT模型。实验结果表明,该模型达到了当前最佳(SOTA)性能,相关代码也将开源。

代码仓库

daniel-code/TubeViT
pytorch
GitHub 中提及

基准测试

基准方法指标
action-classification-on-charadesTubeViT-L
MAP: 66.2
action-classification-on-kinetics-400TubeVit-L (ImageNet-1k)
Acc@1: 90.2
Acc@5: 98.6
FLOPs (G) x views: 95300x4x3
Parameters (M): 307
action-classification-on-kinetics-400TubeViT-H (ImageNet-1k)
Acc@1: 90.9
Acc@5: 98.9
FLOPs (G) x views: 176400x4x3
Parameters (M): 632
action-classification-on-kinetics-400TubeVit-B (ImageNet-1k)
Acc@1: 88.6
Acc@5: 97.6
FLOPs (G) x views: 8700x3x4
Parameters (M): 86
action-classification-on-kinetics-600TubeVit-L
Top-1 Accuracy: 91.5
Top-5 Accuracy: 98.7
action-classification-on-kinetics-600TubeVit-B
Top-1 Accuracy: 90.9
Top-5 Accuracy: 97.3
action-classification-on-kinetics-600TubeVit-H
Top-1 Accuracy: 91.8
Top-5 Accuracy: 98.9
action-classification-on-kinetics-700TubeViT-L
Top-1 Accuracy: 83.8
Top-5 Accuracy: 96.6
action-recognition-in-videos-on-somethingTubeViT-L
Top-1 Accuracy: 76.1
Top-5 Accuracy: 95.2

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
重新思考视频ViTs:稀疏视频管用于图像和视频的联合学习 | 论文 | HyperAI超神经