La consolidation de la mémoire permet une compréhension vidéo à long contexte.

Memory Consolidation Enables Long-Context Video Understanding

February 8, 2024

Auteurs: Ivana Balažević, Yuge Shi, Pinelopi Papalampidi, Rahma Chaabouni, Skanda Koppula, Olivier J. Hénaff

cs.AI

Résumé

La plupart des encodeurs vidéo basés sur des transformers sont limités à des contextes temporels courts en raison de leur complexité quadratique. Bien que diverses tentatives aient été faites pour étendre ce contexte, cela s'est souvent fait au détriment de la complexité conceptuelle et computationnelle. Nous proposons plutôt de réutiliser des transformers vidéo pré-entraînés en les ajustant simplement pour qu'ils prennent en compte des mémoires dérivées de manière non paramétrique à partir des activations passées. En tirant parti de la réduction de la redondance, notre vision transformer consolidé par mémoire (MC-ViT) étend sans effort son contexte loin dans le passé et montre un excellent comportement de mise à l'échelle lors de l'apprentissage à partir de vidéos plus longues. Ce faisant, MC-ViT établit un nouvel état de l'art dans la compréhension vidéo à long contexte sur EgoSchema, Perception Test et Diving48, surpassant des méthodes qui bénéficient d'ordres de grandeur plus de paramètres.

English

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.