Memory Consolidation Enables Long-Context Video Understanding

要約

ほとんどのトランスフォーマーベースのビデオ エンコーダーは、二次的な複雑さのため、短い時間コンテキストに限定されます。
このコンテキストを拡張するためにさまざまな試みが行われてきましたが、多くの場合、概念と計算の両方の複雑さが犠牲になります。
代わりに、過去のアクティベーションからノンパラメトリックに導出された記憶に対応するように単に微調整するだけで、既存の事前トレーニング済みビデオ トランスフォーマーを再利用することを提案します。
冗長性の削減を活用することで、当社のメモリ統合ビジョン トランスフォーマー (MC-ViT) は、コンテキストをはるか過去まで簡単に拡張し、長いビデオから学習するときに優れたスケーリング動作を示します。
そうすることで、MC-ViT は、EgoSchema、Perception Test、および Diving48 に関するロングコンテキストのビデオ理解における新しい最先端の技術を確立し、桁違いに多くのパラメーターから恩恵を受ける方法を上回ります。

要約(オリジナル)

Most transformer-based video encoders are limited to short temporal contexts due to their quadratic complexity. While various attempts have been made to extend this context, this has often come at the cost of both conceptual and computational complexity. We propose to instead re-purpose existing pre-trained video transformers by simply fine-tuning them to attend to memories derived non-parametrically from past activations. By leveraging redundancy reduction, our memory-consolidated vision transformer (MC-ViT) effortlessly extends its context far into the past and exhibits excellent scaling behavior when learning from longer videos. In doing so, MC-ViT sets a new state-of-the-art in long-context video understanding on EgoSchema, Perception Test, and Diving48, outperforming methods that benefit from orders of magnitude more parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google