qq_62963829的博客

原创 论文笔记《End-to-End Temporal Action Detection with 1B Parameters Across 1000 Frames》

(c)基于DETR的方法，将transformer引入TAD，将TAD任务当作端到端的任务，将输入视频序列送入预训练的网络（如TSM,SlowFast）提取时间序列特征；（1）我们发现基于特征的方法中，常用的片段表示(snippet representation)是过度冗余的。，在微调时只改变一部分参数。例如，在Ego 4D-MQ数据集上，我们使用了7200帧的VideoMAE-L，每个视频的成本为60 GB。（1）基于特征的方法，其特征提取骨干网，往往在预训练阶段就优化好了，在下游任务中是冻结的；