AI-Vid

Tại sao xử lý dữ liệu video khó hơn ảnh?

• Vì video là đen trắng

• Vì video kết hợp cả thông tin không gian và thời gian

• Vì video luôn dài hơn ảnh

• Vì video dùng CNNs

Ứng dụng phổ biến nào của phân loại video?

• Dịch máy

• Tổng hợp giọng nói

• Nhận dạng hành động

• Nhận dạng ngôn ngữ

Hạn chế chính của các mô hình CNN + RNN cho video là gì?

• Không xử lý được ảnh màu

• Quá chính xác

• Bộ nhớ ngắn và khả năng mở rộng kém

• Không cần huấn luyện

Vì sao transformers phù hợp với video hơn RNNs?

• Transformers chạy nhanh hơn trên CPU

• Transformers mô hình hóa phụ thuộc dài hạn hiệu quả hơn

• Transformers không cần GPU

• Transformers bỏ qua dữ liệu không gian

Ý tưởng kiến trúc chính của TimeSformer là gì?

• Pooling trước attention

• Chia nhỏ attention không gian-thời gian

• Chỉ dùng attention không gian-thời gian chung

• Chọn khung hình ngẫu nhiên

TimeSformer được đánh giá trên bộ dữ liệu nào?

• CIFAR-10 và ImageNet

• Kinetics-400 và Something-Something V2

• MS COCO và Pascal VOC

• MNIST và FashionMNIST

Tổ chức nào đã tạo ra ViViT?

• Facebook AI

• OpenAI

• Google Research

• Microsoft Research

Nhược điểm chính của ViViT là gì?

• Quá đơn giản cho các tác vụ thực tế

• Cần huấn luyện quy mô lớn và tiêu tốn nhiều tài nguyên

• Không hoạt động với video dài

• Không dùng attention không gian

Mô hình nào sau đây KHÔNG phải là biến thể của ViViT?

• Factorized Encoder

• Joint Space-Time Attention

• Pooling-based Variant

• Divided Space-Time Attention

Ý tưởng cốt lõi của Video Swin Transformer là gì?

• Attention phân tách

• Cửa sổ không gian-thời gian dịch chuyển

• Pooling trước các lớp transformer

• Bỏ qua dữ liệu thời gian