AIGC動態歡迎閱讀

原標題：CNN、Transformer、Uniformer之外，我們終于有了更高效的視頻理解技術
關鍵字：視頻,本文,模型,性能,卷積
文章來源：機器之心
內容字數：6826字

內容摘要：

機器之心報道
編輯：Rome Rome視頻理解因大量時空冗余和復雜時空依賴，同時克服兩個問題難度巨大，CNN 和 Transformer 及 Uniformer 都難以勝任，Mamba 是個好思路，讓我們看看本文是如何創造視頻理解的 VideoMamba。視頻理解的核心目標在于對時空表示的把握，這存在兩個巨大挑戰：短視頻片段存在大量時空冗余和復雜的時空依賴關系。盡管曾經占主導地位的三維卷積神經網絡 (CNN) 和視頻 Transformer 通過利用局部卷積或長距離注意力有效地應對其中之一的挑戰，但它們在同時解決這兩個挑戰方面存在不足。UniFormer 試圖整合這兩種方法的優勢，但它在建模長視頻方面存在困難。
S4、RWKV 和 RetNet 等低成本方案在自然語言處理領域的出現，為視覺模型開辟了新的途徑。Mamba 憑借其選擇性狀態空間模型 (SSM) 脫穎而出，實現了在保持線性復雜性的同時促進長期動態建模的平衡。這種創新推動了它在視覺任務中的應用，正如 Vision Mamba 和 VMamba 所證實的那樣，它們利用多方向 SSM 來增強二維圖像處理。這些模型在性能上與基于注意

原文鏈接：CNN、Transformer、Uniformer之外，我們終于有了更高效的視頻理解技術

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺