GLOSSARY

vivit

動画認識用のVision Transformerの名前

1本の論文題名に登場

定義

Video Vision Transformer の略で、動画認識向けの Vision Transformer。連続フレームをまたぐ立体(tubelet)単位でパッチを切り出し、空間用と時間用のエンコーダを分ける factorised な構成を比べた。注意を空間と時間に分ける方針は TimeSformer と共通する。

論文題名での読み方

固有名。Video ViT