恺明团队新作：MAE"入局"视频表达学习

前段时间，何恺明团队提出MAE在CV届引起极大轰动，自上传到arxiv之后，各种"YYDS", "Best Paper预定"等，关于MAE的介绍可参考以下两个介绍：

NLP向CV跨界，何恺明提出简单实用的自监督学习方案MAE，ImageNet-1K 87.8%

一起来动手实现 MAE吧 : https://zhuanlan.zhihu.com/p/439554945

就在今天，恺明团队对MAE进行了扩展，将其用于视频表达学习，再一次表达MAE的优异性：最优Mask比例高达90%，在可以学习到强表达能力的同时在空时方面具有almost no inductive bias特性。总而言之，Masked AtuoEncoding(如BERT、MAE等)是一种统一的具有最小领域知识表达学习方法。

恺明的paper最精彩的有两点：(1) idea足够简单；(2) 实验足够充分。所以本文仅为抛转引玉之述，更精彩的实验部分请移步原文: https://arxiv.org/pdf/2205.09113.pdf，原文更精彩。

本文方案为MAE的一个简单的扩展，即将图像领域的MAE向视频领域扩展。其目的在于：在尽可能少的领域知识下，研发一种广义且统一的框架。

上图给出了本文所提出方案的整体架构示意图，它主要包含以下几点技术点：

• Patch Embedding : 类似ViT，给定视频片段，我们将其沿空时维度拆分为无重叠的规则的网格块(grid)，然后将这些网格块进行flatten并经由线性投影层进行处理。此外，对每个网格快还添加了位置嵌入信息。注：这里的块与位置嵌入过程只仅有的空时感知处理。
• Masking : 我们对前述所得块嵌入信息进行随机采样，这里的随机采样类似于BERT和MAE。注1：这里的随机采样具有空时不可感知性。

MAE一文的研究表明：最优Mask比例与数据的信息冗余相关。加持上非结构化随机Mask，BERT的15%与MAE的75%表明：相比语言，图像具有更强的信息冗余。本文的研究(高达90%的Mask比例)进一步支撑了该假设，上图给出了90%与95%Mask比例的MAE在未知验证集上重建结果。

相比结构感知采样策略(如上图b-d)，本文的空时不可知采样策略(见上图a)更加高效。由于近邻块在空时维度上的相关性，结构感知采样策略的最优Mask比例往往比较低。相反，空时不可知采样策略可以更好的利用有限数量的可见块(visible patches)，进而达成更高的Mask比例。

• AutoEncoding : 延续MAE方案，本文的编码器ViT仅作用于可见块嵌入。这种设计有助于减少内存占用与推理耗时，达成更实用的方案。高达90%的Mask比例可以将编码器的计算复杂减少到 10%以下。类似MAE，解码器同样采用了ViT架构，且比编码小还要小。尽管解码器作用于全部的token，但其复杂度比编码器小。在默认配置下，自编码器的整体复杂度比标准自编码器方案(即输入端不进行Mask)小7.7x。

Experiments

上表给出了Kinetics-400(K400)数据集上的性能对比，可以看到：相比SOTA方案，本文方案极具竞争力。本文方案是仅有的vanilla ViT方案，其他方案均为分层架构或转为视频而设计的架构。

上表给出了AVA数据集上的性能对比，可以看到：仅需16\times 224^2 ，所提方案取得了与MaskFeat(其输入分辨率更高40 \times 312 ^2 )相当的性能。更重要的是，该方案采用了PlainViT架构，无需在检测任务上表现更好的分层特征。

上表给出了SSv2数据集上的性能对比，可以看到：仅需16\times 224^2 输入的VanillaViT方案具有与40 \times 312 ^2 输入的MaskFeat方案相当的性能。