VTN：视频Transformer网络

该技术方案可与当前主流的backbone架构相融合，从而赋予其卓越的视频分类与理解能力，例如将ViT/DeiT与VTN相结合便展现出显著优势！训练效率提升了16.1倍，实际运行速度也提高了5.1倍，相关代码及预训练模型即将对外公开！

注1：文末附有【Transformer

• 作者单位：Theator公司
  • 论文：https://arxiv.org/abs/2102.00719

本研究提出了一种名为VTN的视频识别模型，该模型是以Transformer架构为基础构建的。在受到视觉Transformer领域最新进展的启发后，我们摒弃了传统依赖3D卷积神经网络进行视频动作识别的常规手段，转而引入一种新的分类策略，该策略通过全面分析整个视频序列的信息来实现对动作的识别。

所提出的技术方案具有广泛的适用性，能够基于任意指定的二维空间网络架构进行构建。从