MAR：针对动作识别的视频掩码建模

出品人：Towhee 技术团队 王翔宇、顾梦佳

视频识别的标准方法通常会对完整的视频输入进行操作，这往往会由于视频中广泛存在的时空冗余导致效率低下。视频掩码建模（即 VideoMAE）的最新进展表明，普通视觉 Transformer (ViT) 能够在仅给定有限视觉内容的情况下补充时空上下文。受此启发，掩码动作识别（MAR）提出丢弃一部分 patch 并仅对部分视频进行操作，以此减少冗余计算。相比 ViT 模型，MAR 能够在大量降低计算成本的同时，还能始终展现出显著的性能优势。尤其是由 MAR 训练的 ViT-Large，在动作识别数据集 Kinetics-400 和 Something-Something v2 上均具有令人信服的优势。

Overview of Masked Action Recognition (MAR).

MAR 包含以下两个不可或缺的组件：cell running masking 和 bridging classifier。具体来说，为了使 ViT 能够轻松感知可见 patch 之外的细节，cell running masking 保留了视频中的时空相关性。它能够确保可以依次观察相同空间位置的 patch，以便于重建。此外，虽然部分观察到的特征可以重建语义显式的不可见 patch，但它们无法实现准确的分类。 为此，bridging classifier 被用来弥合用于重建的 ViT 编码特征与专门用于分类的特征之间的语义鸿沟。

相关资料：
代码地址：https://github.com/alibaba-mmai-research/Masked-Action-Recognition
论文链接：MAR: Masked Autoencoders for Efficient Action Recognition