本文共 1730 字，大约阅读时间需要 5 分钟。

前言：

transformer在视频理解方向的应用主要有如下几种实现方式：Joint Space-Time Attention，Sparse Local Global Attention 和Axial Attention。这几种方式的共同点是采用ViT中的方式将图像进行分块，而它们之间的区别在于如何用self attention来处理这些块。

在本文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，通过对以上几种方式与Divided Space-Time Attention的评估，作者发现使用Divided attention的方式是用于处理这些块的最好设计。

TimeSformer在几个主流的行为识别benchmarks上实现了SOTA结果，包括在Kinetics-400和Kinetics-600上取得最高准确度。此外，TimeSformer对比与其它模型训练速度更快，且有更高的测试效率。

论文：Is Space-Time Attention All You Need for Video Understanding?

代码：

代码尚未完全开源，但模型已经放出来了。代码比较简单。

论文思路

视频理解与NLP有很多的相似的地方。首先，视频和语句都具有序列性；而且，一个字只能与语句中其它字联系才能理解，在视频行为中一个片段也需要与视频的上下文相关联。于是，我们期望NLP中这种long-range self-attention模型可以在视频模型中也有很高的表现。

在视频领域，2D或3D卷积是用来提取时空特征的主流操作，但卷积操作比较明显的一个问题是感受野是有限的，若要获得全局感受野，需要堆叠很多层卷积层，它们的信息传播路径比较长。而self-attention这种操作可以很轻松地获得全局感受野，捕获局部和长范围的依赖关系。

卷积操作的另一个问题是受到内存的限制，特别是视频领域，往往需要在高分辨率和长范围帧之间权衡。而最近几年一些研究者的工作指出Transformer可以比CNN获得更快的训练和推理，因此在同样计算量预算下，transformer可以使用更大学习容量。

标准的self-attention需要计算所有tokens相互之间的相似性，这样的做法就是计算量比较大，因此需要考虑如何利用self-attention来处理图像块。论文比较了这方面的几种处理方式，提出Divided attention的方式具有最好的表现。

在本文将主要介绍这几种方式。

一些细节​

​

这几种方式的通用部分是将视频帧分成大小为PxP的块，每一帧可以分成N=HW/(P*P)块。

它们的区别就是以什么样的方式来选择哪些块放一起进行self-attention。

Space Attention是只对同一帧的所有块放一起进行self-attention。这种方式明显没有考虑不同帧之间的时序信息。

Joint Space-Time Attention是将图像的所有块都进行self-attention，这种方式最明显的问题是计算量太大。

Sparse Local Global Attention分为两步，选择局部区域的块进行self-attention提取局部信息，按一定的步长选择块进行self-attention提取全局信息，这种方式具有一定的稀疏性，特点就是计算量减少。

Axial Attention是分为三步，先对不同帧同位置的块进行time attention，再按横向和纵向分别选择同一帧中同一横和同一竖的块进行space attention。

本文提出的Divided Space-Time Attention分为两步，先对不同帧同位置的块进行time attention，再将同一帧中所有块进行space attention。

具体的示意图如下。

​

实验结论

​

这几种方式的参数量和准确度的对比。

本文来源于公众号CV技术指南的论文分享系列，更多内容请扫描文末二维码关注公众号。

​

最近把公众号(CV技术指南)所有的技术总结打包成了一个pdf，在公众号中回复关键字“技术总结”可获取。

​

转载地址：http://yazvz.baihongyu.com/