原文翻译

4.4 Mamba for Spatial-Temporal Modeling

Tasks and datasets.最后，我们评估了 Mamba 的时空建模能力。与之前的小节类似，我们在 Epic-Kitchens-100 数据集 [13] 上评估模型在zero-shot多实例检索中的性能。

Baseline and competitor.ViViT[2]和TimeSformer[6]研究了ViT在空间注意转化为具有时空联合注意的模型的转换。根据这些工作，我们进一步扩展了ViM模型的空间选择扫描来合并时空选择性扫描。我们将此扩展模型称为 ViViM。我们利用在 ImageNet-1K [16] 上预训练的 ViM 模型进行初始化。ViM 模型包含一个 cls 标记，该标记插入到扁平标记序列的中间。为了将 ViM 模型转换为 ViViM，我们采用了图 6 所示的直接方法。对于由 M 帧组成的给定输入，我们在对应于每一帧的标记序列的中间插入 cls 标记。此外，我们添加了每帧初始化为零的时间位置嵌入。然后将扁平的视频序列输入到 ViViM 模型中。模型的输出是通过计算每个帧的cls令牌的平均值来实现的。

Results and analysis.我们进一步分析了ViViM在zero-shot多实例检索上的结果。表11给出了各种时空模型在zero-shot多实例检索上的性能。在比较ViT和ViM时，它们都在ImageNet-1K[16]上进行预训练，我们观察到我们的ViM优于ViT。有趣的是，尽管 ImageNet-1K 上 ViT-S [69] 和 ViM-S [96] 之间的性能差距很小（79.8 vs. 88.5），ViViM-S 在零样本多实例检索上显示出比 ViT-S 的显着改进（+2.1 mAP@Avg）。这一发现表明，我们的 ViViM 在对长序列进行建模方面非常有效，从而提高了性能。

5 Efficiency Analysis

我们比较了不同时空模型的推理速度。该测试在空间维度上修复了 196 个标记，并不断提高帧数。所有测试都是在单个 A100 GPU 上以半精度执行的。为了公平比较，所有注意块都配备了 Flash-attention [14, 15]。我们将推理速度从 4 帧测试到 8192 帧，并在图 7 和图 8 中列出测试结果。两个表都表明，Mamba 比 Transformer 系列模型提供速度优势，尤其是当帧数很大时。在图 8 中，为了公平比较，我们将 ViViM-T 与 ViT 进行比较，无论是否使用 Flash-attention [14, 15]。ViM-T 与 ViT+Flash-attention 的比较是公平的，因为这两种方法都是在考虑硬件 I/O 速度的情况下优化的。当输入帧数大于 256 时，我们的 ViViM-T 比具有闪存注意力的 ViT-T 更有效。如果没有 Flash-Attention，ViM-T 相对更有效，当帧数大于 64 时超过 ViT。对于图 7 中的 TimeMambaB，当输入超过 8192 帧时，效率开始超过 timeformer-B 的效率。由于令牌交互的形式仅在时间交互上有所不同，因此效率差异不如 ViVM 和 ViT 之间的比较那么显着。

6 Conclusion

我们在视频理解领域对 Mamba 的全面评估展示了它作为传统转换器的可行替代方案的潜力。通过Video Mamba Suite，包括14个模型/模块12个视频理解任务，我们证明了Mamba能够有效地处理复杂的时空动态，表现出优越的性能和有前途的效率-性能权衡。这些发现不仅强调了 Mamba 对视频分析任务的适用性，而且还为其在计算机视觉中的应用开辟了新的途径。未来的工作可以进一步探索 Mamba 的适应性，并将其效用扩展到更复杂、多模态视频理解挑战。