메모리 통합을 통한 장문맥 비디오 이해

초록

대부분의 트랜스포머 기반 비디오 인코더는 2차 복잡도로 인해 짧은 시간적 문맥에 제한됩니다. 이러한 문맥을 확장하기 위한 다양한 시도가 있었지만, 이는 종종 개념적 및 계산적 복잡성의 증가를 수반했습니다. 우리는 대신 기존에 사전 학습된 비디오 트랜스포머를 재활용하여, 단순히 미세 조정을 통해 과거 활성화에서 비모수적으로 도출된 메모리에 주목하도록 제안합니다. 중복 감소를 활용함으로써, 우리의 메모리 통합 비전 트랜스포머(MC-ViT)는 과거로의 문맥을 손쉽게 확장하고 더 긴 비디오에서 학습할 때 우수한 확장성을 보여줍니다. 이를 통해 MC-ViT는 EgoSchema, Perception Test, 그리고 Diving48에서 장문맥 비디오 이해 분야의 새로운 최첨단 기술을 세우며, 훨씬 더 많은 매개변수를 사용하는 방법들보다 우수한 성능을 보입니다.

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.

메모리 통합을 통한 장문맥 비디오 이해

Memory Consolidation Enables Long-Context Video Understanding

초록

Support