本文共 1393 字，大约阅读时间需要 4 分钟。
Transformer在视频理解领域的应用主要采用三种典型方式：Joint Space-Time Attention、Sparse Local Global Attention 和Axial Attention。这些方法的共同点在于，它们都基于ViT模型中的分块方式处理图像，但在self attention的应用上各有不同。
近期，我们提出了一种新的处理方式——Divided Space-Time Attention。在大规模行为分类数据集上对比了上述几种方法与Divided Space-Time Attention，发现后者在处理这些块时表现最佳。
此外，TimeSformer在多个主流行为识别基准测试中实现了State-of-the-Art（SOTA）结果，如Kinetics-400和Kinetics-600等。此外，TimeSformer具有更快的训练速度和更高的测试效率。
视频理解与语言处理（NLP）有许多相似之处。首先，视频和语句都具有序列性，且一个片段需要与整个上下文相关联。因此，我们期待NLP中的长程自注意力模型在视频模型中也能取得良好表现。
视频领域的传统方法主要是2D或3D卷积来提取时空特征。然而，卷积操作的一个显著问题是感受野有限，若要获得全局感受野，需要堆叠多层卷积层，信息传播路径较长。而自注意力机制可以轻松实现全局感受野，捕获局部和长程依赖关系。
此外，卷积操作受内存限制，尤其是在高分辨率和长帧之间权衡。近年来，研究表明Transformer相比CNN具有更快的训练和推理速度，在相同计算预算下可以使用更大模型容量。
标准自注意力机制需要计算所有token之间的相似性，计算量较大。因此，我们需要探索如何利用自注意力处理图像块。论文比较了几种处理方式，提出Divided Space-Time Attention是最优选择。
这几种方式的通用部分是将视频帧分成大小为P×P的块，每帧可以分成N=H×W/(P×P)块。它们的区别在于如何选择块进行自注意力处理。
Space Attention：将同一帧的所有块一起进行自注意力处理，忽略了不同帧之间的时序信息。
Joint Space-Time Attention：将所有图像块进行自注意力处理，计算量过大。
Sparse Local Global Attention：分两步处理，先提取局部信息，再按步长提取全局信息，具有一定稀疏性，计算量减少。
Axial Attention：分三步处理，先处理不同帧同位置的块进行时间注意力，再分别按横向和纵向进行空间注意力。
我们提出Divided Space-Time Attention分为两步：先对不同帧同位置的块进行时间注意力，再将同一帧中所有块进行空间注意力。
下图展示了具体示意图。
对比这几种方式的参数量和准确度，发现Divided Space-Time Attention表现最佳。
本文来源于公众号CV技术指南的论文分享系列，更多内容请关注公众号。
最近将公众号所有技术总结打包成PDF，在公众号中回复关键字“技术总结”可获取。
如需进一步了解，可以访问相关链接或关注公众号获取更多信息。
转载地址：http://yazvz.baihongyu.com/