arXiv cs.AI· Kevin D. Nguetche, Lilian Hollard, Eric Granger, Marco Pedersoli·· 10 小时前AI 评分20
VideoMogaNet：面向视频识别的时空多阶交互方法
Spatio-Temporal Multi-Order Interaction for Video Recognition
AI 导读
VideoMogaNet 通过并行多阶时序处理与隐式门控聚合，将时序分支的通道复杂度从二次降为线性，显著降低计算开销。该方法还提出空间与时间维度的双重交互，在不增加计算成本的前提下提升时空表征。在 UCF101、HMDB51、Kinetics-400、Diving48 多个视频基准上，其性能与当前最优动作识别方法持平或更优。
正文 · AI 翻译
摘要：许多用于视频识别的时间方法依赖于显式的跨通道聚合投影，其复杂度在通道数量上呈二次方增长，从而引入了显著的计算开销。此外，用于视频识别的时空表示要么偏向局部阶交互（对于 CNN），要么偏向全局阶交互（对于 transformer）。从 MogaNet 的多阶空间表示出发，我们的方法引入了两项互补的贡献来解决这些问题。首先，对于时间建模，我们引入了并行的多阶处理，采用仅深度卷积和基于隐式门控的聚合，其复杂度在通道数量上呈线性，从而带来了可观的计算量降低。其次，我们提出了空间与时间维度之间的双重交互，能够在不增加计算成本的情况下获得更好的时空表示。通过结合这两项贡献，我们提出的 VideoMogaNet 在多个视频基准（UCF101、HMDB51、Kinetics-400、Diving48）上取得了与最先进动作识别方法相当或更好的性能，同时大幅降低了时间分支的成本。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2611.05633 [cs.CV] |
| （或 arXiv:2611.05633v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05633 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kevin Nguetche [查看邮箱]
[v1]
2026年11月3日星期二 21:20:04 UTC（2,713 KB）
来源：arXiv cs.AI · arxiv.org