基于运动向量的视频表征学习新方法

研究背景

现代基础模型（如大语言模型）通过随机掩码重建任务，已能在无监督情况下从海量数据中学习有效表征。但将这种方法迁移到视频数据时面临挑战：随机掩码可能导致模型利用相邻帧信息"走捷径"，而固定区域掩码则可能使模型仅学习背景重建。

核心技术

在国际计算机视觉大会(ICCV 2023)上提出的运动引导掩码(MGM)算法具有以下创新：

1. 运动向量利用：直接使用现代视频编解码器中的运动向量（而非计算昂贵的光流）来追踪语义区域
2. 2. 掩码生成机制：
3. • 自动识别每帧中运动最显著的区域
4. • 生成时空连续的3D掩码体积
5. • 确保被掩区域始终保持语义一致性
6. 技术优势：
7. • 计算效率比传统目标检测方法提升64倍
8. • 仅需1/3训练数据即可达到SOTA性能
9. • 在下游任务中相对性能提升最高达5%

实现原理

现代视频编码包含三种要素：

• I帧：完整图像帧
• • 运动向量：描述8×8或16×16像素块的运动偏移
• • 残差：记录运动向量无法描述的细节变化 通过分析发现，互联网视频数据集中的前景区域平均运动强度显著高于背景。MGM算法据此特性：

1. 解析视频压缩流中的运动向量
2. 2. 识别每帧中运动最显著的矩形区域
3. 3. 生成时空连续的3D掩码体积

实验验证

在对比实验中：

• 相比6种随机掩码方法，MGM在所有指标上均表现更优
• • 消融研究证实运动引导能有效提升表征质量
• • 在视频动作识别等任务中实现显著性能提升

应用价值

该方法为视频理解领域提供了：

1. 更高效的预训练范式
2. 2. 更鲁棒的视频表征
3. 3. 可扩展至大规模视频数据的解决方案 完整技术细节请参阅ICCV 2023论文《Motion-guided masking for spatiotemporal representation learning》。 更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）