transformer在视频理解方向的应用主要有如下几种实现方式：Joint Space-Time Attention，Sparse Local Global Attention 和Axial Attention。这几种方式的共同点是采用ViT中的方式将图像进行分块，而它们之间的区别在于如何用self attention来处理这些块。
在本文提出了一种新的处理方式--Divided Space-Time Attention，在大规模行为分类数据集上，通过对以上几种方式与Divided Space-Time Attention的评估，作者发现使用Divided attention的方式是用于处理这些块的最好设计。
TimeSformer在几个主流的行为识别benchmarks上实现了SOTA结果，包括在Kinetics-400和Kinetics-600上取得最高准确度。此外，TimeSformer对比与其它模型训练速度更快，且有更高的测试效率。
论文思路
视频理解与NLP有很多的相似的地方。首先，视频和语句都具有序列性；而且，一个字只能与语句中其它字联系才能理解，在视频行为中一个片段也需要与视频的上下文相关联。于是，我们期望NLP中这种long-range self-attention模型可以在视频模型中也有很高的表现。
在视频领域，2D或3D卷积是用来提取时空特征的主流操作，但卷积操作比较明显的一个问题是感受野是有限的，若要获得全局感受野，需要堆叠很多层卷积层，它们的信息传播路径比较长。而self-attention这种操作可以很轻松地获得全局感受野，捕获局部和长范围的依赖关系。
欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。
卷积操作的另一个问题是受到内存的限制，特别是视频领域，往往需要在高分辨率和长范围帧之间权衡。而最近几年一些研究者的工作指出Transformer可以比CNN获得更快的训练和推理，因此在同样计算量预算下，transformer可以使用更大学习容量。
标准的self-attention需要计算所有tokens相互之间的相似性，这样的做法就是计算量比较大，因此需要考虑如何利用self-attention来处理图像块。论文比较了这方面的几种处理方式，提出Divided attention的方式具有最好的表现。
在本文将主要介绍这几种方式。
一些细节
这几种方式的通用部分是将视频帧分成大小为PxP的块，每一帧可以分成N=HW/(P*P)块。
它们的区别就是以什么样的方式来选择哪些块放一起进行self-attention。
Space Attention是只对同一帧的所有块放一起进行self-attention。这种方式明显没有考虑不同帧之间的时序信息。
Joint Space-Time Attention是将图像的所有块都进行self-attention，这种方式最明显的问题是计算量太大。
Sparse Local Global Attention分为两步，选择局部区域的块进行self-attention提取局部信息，按一定的步长选择块进行self-attention提取全局信息，这种方式具有一定的稀疏性，特点就是计算量减少。
Axial Attention是分为三步，先对不同帧同位置的块进行time attention，再按横向和纵向分别选择同一帧中同一横和同一竖的块进行space attention。
本文提出的Divided Space-Time Attention分为两步，先对不同帧同位置的块进行time attention，再将同一帧中所有块进行space attention。
具体的示意图如下。
实验结论
这几种方式的参数量和准确度的对比。
