原文链接：
[2403.06977] VideoMamba: State Space Model for Efficient Video Understanding (arxiv.org)
原文笔记
What：
VideoMamba: State Space Model for Efficient Video Understanding
作者探究Mamba模型能否用于VideoUnderStanding作者引入了 VideoMamba，这是一种基于 SSM 的模型，专为视频理解量身定制。VideoMamba 和谐地融合了 vanilla ViT [15] 风格的卷积和注意力的优势。它为动态时空上下文建模提供了一种线性复杂度的方法，非常适合高分辨率长视频。VideoMamba 具有四个关键能力：
1：视觉领域中的可扩展性
2：短期动作识别的敏感性
3：在长时视频理解上的优势
4：与其他模态的兼容性
总结一句话就是VideoMamba相较于Transformer对长时视频建模在效果保持的情况下效率更高
Why：
为了解决视频理解中的局部冗余和全局依赖的双重挑战。
探究Mamba模型能否用于VideoUnderStanding
Challenge：
如何将2D的Vim转换到视频的3D数据当中
Idea：
这项工作创新性地将曼巴应用到了视频领域。
Model：
以下我自己绘图来解释以下它输入的张量是怎样流动过模型的
从原文角度理解就应该是这样了(如有问题请您不吝指正)如果再细节一些就需要看代码了
(在不远的将来将会结合我自己的研究方向跑一下这个代码)
这里的位置编码和时序编码的shape其实应该再经过进一步的处理,但这种程度更方便理解，具体细节请结合以下原文翻译进行理解，这里不多赘述
原文翻译经过机翻手修，应该比较易懂了
原文翻译
Abstract
为了解决视频理解中的局部冗余和全局依赖的双重挑战，这项工作创新性地将曼巴应用到了视频领域。提出的VideoMamba克服了现有3D卷积神经网络和VIT的局限性。它的线性复杂度算子实现了高效的长期建模，这对于高分辨率长视频的理解至关重要。广泛的评估揭示了VideoMamba的四个核心能力:(1)由于一种新的自蒸馏技术，无需大量数据集预训练即可在视觉领域具有可扩展性;(2)即使是细粒度的运动差异，对短期动作的识别灵敏度;(3)在长期视频理解方面的优势，与传统的基于特征的模型相比有显著进步;(4)与其他模态的兼容性，在多模态环境中表现出鲁棒性。通过这些独特的优势，VideoMamba为视频理解树立了一个新的标杆，为全面的视频理解提供了一个可扩展和高效的解决方案。所有代码和模型都是公开的。
1 Introduction
视频理解的核心目标是掌握时空表示，这本质上提出了两个艰巨的挑战：短视频剪辑中的大时空冗余以及长上下文之间的复杂时空依赖关系。尽管曾处于主导地位的 3D 卷积神经网络 (CNN) [9,19,76] 和VIT [2,4] 有效地通过利用局部卷积或远程注意力解决了提到的挑战之一，但它们未能同时解决两者。UniFormer[44]试图整合这两种方法的优点，但它很难对长视频进行建模，然而对视频进行长时建模是最近关于视频理解[48,72]和生成[5,92]研究的主要趋势。
NLP 域中 S4 [26]、RWKV [73] 和 RetNet [70] 等低成本算子的出现为视觉模型开辟了新的途径。
Mamba[25]以其选择性状态空间模型(SSM)脱颖而出，在保持线性复杂度和促进长期动态建模之间取得平衡。这一创新促进了它在视觉任务中的采用，如Vision Mamba[91]和VMamba[50]所证明的那样，它利用多方向SSM来增强2D图像处理。这些模型在性能上可与基于注意力的架构相媲美，同时显着减少了内存使用。鉴于视频产生的固有较长序列，一个自然的问题出现了：Mamba 能否很好地适用于视频理解？
受此启发，我们引入了 VideoMamba，这是一种基于 SSM 的模型，专为视频理解量身定制。VideoMamba 和谐地融合了 vanilla ViT [15] 风格的卷积和注意力的优势。它为动态时空上下文建模提供了一种线性复杂度的方法，非常适合高分辨率长视频。相关评估侧重于 VideoMamba 的四个关键能力：
（1）视觉域中的可扩展性：我们检查 VideoMamba 的可扩展性并发现，虽然纯 Mamba 模型随着规模的增加而趋于过拟合，但我们引入了一种简单而有效的自蒸馏策略，允许 VideoMamba 随着模型和输入大小的增加而实现显着的性能改进，而无需大规模数据集预训练。
(2) 短期动作识别的敏感性：我们的分析扩展到评估 VideoMamba 准确区分短期动作的能力，尤其是那些具有细粒度运动差异的动作，例如打开和关闭。研究结果表明，VideoMamba 优于现有的基于注意力的模型 [2,4,52]。更重要的是，它也适用于掩码建模，进一步增强了其时间敏感性。
(3) 长期视频理解的优越性：然后我们评估 VideoMamba 在解释长视频方面的贡献。它通过端到端训练展示了优于传统基于特征的方法[35,47]的显著优势。值得注意的是，VideoMamba比TimeSformer[4]快6倍，64帧视频的GPU内存减少了40倍(见图1)
(4)与其他模态的兼容性:最后，我们评估了VideoMamba与其他模态的适应性。视频文本检索的结果显示了它相较于ViT的性能提升，特别是在具有复杂场景的长视频中。这强调了它的鲁棒性和多模态集成能力。
总之，我们的深入分析揭示了VideoMamba在理解短期(K400[36]和SthSthV2[24])和长期(Breakfast[37]、COIN[71]和LVU[84])视频内容方面的巨大潜力。鉴于VideoMamba的效率和有效 性，有望成为长视频理解领域的基石。所有代码和模型都是开源的以促进未来的研究努力。
2 Related Works
2.1 State Space Models
最近，状态空间模型 (SSM) 在捕获语言序列的动态和依赖性方面显示出状态空间转换的显着有效性。[26]引入了一个结构化的状态空间模型(S4)，专门设计用于对远程依赖进行建模，具有线性复杂度的优势。在此基础上，开发了各种模型(如S5[66]、H3[20]和GSS[56])，Mamba[25]通过引入依赖于数据的SSM层和使用并行扫描的选择机制(S6)展现了自身的特殊性。与基于二次复杂度注意的Transformer[6,54]相比，Mamba擅长处理以线性复杂度的长序列。
在视觉领域，[26]首先在像素级图像分类中应用SSM，[35]使用S4处理视频片段分类的长程时间依赖性。此外，Mamba 的巨大潜力激发了一系列工作 [28,30,46,50,78,87,91]，这表明 Mamba 在对象检测和语义分割等视觉下游任务上比 Transformer 具有更好的性能和更高的 GPU 效率。与之前的工作不同，我们的VideoMamba是一个基于SSM的纯视频模型，在短期和长期视频理解方面都表现出了高效率和有效性。
2.2 Video Understanding
视频理解是计算机视觉领域的基石，随着短视频平台的快速增长，其意义进一步扩大。为了支持该领域，已经开发了许多配备广泛数据和细致人工注释的数据集，旨在提高人类动作识别能力。值得注意的例子包括 UCF101 [67] 和 Kinetics 数据集 [7, 8, 36]，它们在基准测试进度中发挥了关键作用。此外，其他数据集 [22, 27, 31, 34, 49, 62] 提供了为动作定位量身定制的注释活动视频，促进了对人类活动的更深入研究。除了动作识别之外，大规模视频文本数据集 [10, 12, 57, 82, 86, 88] 的出现将视频理解的效用扩展到多模态任务领域，例如视频字幕、检索和问答，从而扩大了应用范围。（说的是数据集的事)
至于架构，它已经从使用从视频帧中提取特征的 CNN 发展到更高级的技术。最初，3D CNN[9,17,76,77]扩展了传统的2D CNN架构来捕获视频的时空信息。双流[65]结合了空间和时间流TSN[80]，提出了稀疏采样和SlowFast[19]，它使用并行网络来捕获语义和快速运动，进一步增强动作识别能力。基于注意力的模型[2,4,59,63,89]的引入，如TimeSformer[4]和ViViT[2]，通过有效地捕获视频序列中的远程依赖关系，增强了时间关系的理解，取得了显著的进展。最近的发展[42，44，52，83]集中在准确的videotransformer上，视频Swin的窗口注意[52]和UniFormer对卷积和自我注意机制[44]的集成等创新，旨在平衡计算效率和性能。尽管这些模型在各种任务上取得了成就，但它们通常对长序列具有很高的计算成本。相比之下，我们的 VideoMamba 引入了一个线性复杂度算子来有效地进行长期建模，其性能优于现有方法，速度更快，GPU 消耗更低。(说的是模型架构的事）
3 Method
3.1 Preliminaries
一维序列的SSM。状态空间模型(SSMs)是基于连续系统概念化的，该系统通过隐藏状态h(t)∈RN映射一维函数或序列x(t)∈RL→y(t)∈RL。形式上，SSM 采用以下常微分方程 (ODE) 对输入数据进行建模：
其中 A ∈ RN ×N 表示系统的演化矩阵，B ∈ RN ×1, C ∈RN ×1 是投影矩阵。这种连续的 ODE 在现代 SSM 中是通过离散化来逼近的。Mamba [25] 是连续系统的离散版本之一，它包括时间尺度参数 Δ 将连续参数 A、B 转换为其离散参数 A拔、B拔。变换通常采用零阶保持 (ZOH) 方法，定义为：
与主要依赖线性时不变SSM的传统模型相反，Mamba的特点是将选择性扫描机制(S6)作为其核心SSM算子。在S6中，参数B∈R B×L×N, C∈R B×L×N，∆∈RB×L×D直接推导自输入数据x∈RB×L×D，表明具有上下文敏感性和自适应权重调制的内在能力。图2a显示了Mamba区块的详细信息。
双向SSM视觉。最初的曼巴块是为一维序列设计的，不适合需要空间意识的视觉任务。在此基础上，Vision Mamba在图2b中引入了双向Mamba (B-Mamba)块，该块适用于特定于视觉的应用程序的双向序列建模。该块通过同时向前和向后ssm处理平坦的视觉序列，增强了其空间感知处理能力。在这项工作中，我们扩展了B-Mamba块用于3D视频理解。
3.2 VideoMamba
概述。图3展示了VideoMamba的总体框架。具体来说，我们首先使用3D卷积(即1×16×16)将输入的videos X^v∈R^3×T×H×W(通道数*时间*高*宽)投影到L个不重叠的时空patch中Xp∈R^L×C中，其中L=t×h×w (t=T,h=H/16,w=W/16)。输入到以下VideoMamba编码器的令牌序列是
X = [Xcls, X] + ps + pt，(7)，
其中Xcls是一个可学习的分类token，它被添加到序列的开始。根据之前的工作[2,4,15]，我们增加了一个可学习的空间位置嵌入ps∈R^(hw+1)×C，以及额外的时间位置嵌入pt∈R^t×C来保留时空位置信息，这样做的原因是SSM模型对token的位置很敏感
token X之后被传入由L个堆叠的B-Mamba块，最后一层的[cls]token在经过归一化层和线性层的处理进行分类。
时空扫描。为了将B-Mamba层应用于时空输入，我们将原始的2D扫描扩展为不同的双向3D扫描，如图4所示:(a) spatial - first，按位置组织空间标记，然后逐帧堆叠;(b)时间优先，根据框架安排时间标记，然后沿着空间维度堆叠;(c) Spatiotemporal，是SpatialFirst和Temporal-First的混合，v1执行一半，v2执行全部(2倍计算)。此外，我们在图7a中的实验表明，空间优先的双向扫描是最有效且最简单的。由于曼巴的线性复杂性，我们的VideoMamba能够有效地处理高分辨率的长视频。
与Vim[91]和vamba[50]的比较。我们的VideoMamba基于Vim构建，但通过省略中间[CLS]令牌和旋转位置嵌入(RoPE[68])等功能来简化其架构，从而在ImageNet-1K上获得卓越的性能，Vim- ti和Vim- s分别获得+0.8%和+0.7%的收益。与vamba不同，它包含了额外的深度卷积，VideoMamba严格遵循ViT设计，没有下采样层。为了解决在vomamba中观察到的过拟合问题，我们在3.3节中介绍了一种有效的自蒸馏技术，演示了各向同性VideoMamba在图像和视频任务方面的巨大可扩展性。
与TimeSformer[4]和ViViT[2]的比较。传统的基于注意力的模型(如TimeSformer和ViViT)通过采用分割的时空注意力来解决自注意机制的二次复杂度问题。尽管效率更高，但与联合注意相比，它引入了额外的参数，表现不佳，特别是在涉及屏蔽预训练的场景中[43,74]。相比之下，VideoMamba处理具有线性复杂性的时空标记，在kinect -400上优于TimeSformer +2.6%，在SthSthV2上取得了显著进步，提高了+5.9%(见表3和表4)。此外，VideoMamba在处理长视频时实现了6倍的处理速度提高，并且需要的GPU内存减少了40倍，如图1所示，显示了其在处理长视频任务方面的效率和有效性。
3.3 Architecture
对于B-Mamba层的SSM，我们采用Mamba中的默认超参数[25]。设置状态维度为16，扩展比例为2。根据ViT[15]，我们调整深度和嵌入维度，创建表1中可比较大小的模型，包括VideoMamba-Ti、VideoMamba-S和VideoMamba-M。然而，我们观察到，在我们的实验中，较大的VideoMamba倾向于过拟合，导致次优性能，如图6a所示。这种过拟合问题不仅存在于我们的模型中，也存在于VMamba[50]中，其中vamba - b在总训练周期的四分之三时达到了最佳性能。为了抵消较大的曼巴模型中的过拟合，我们引入了一种有效的自蒸馏策略，该策略使用一个较小且训练良好的模型作为“老师”来指导较大的“学生”模型的训练。结果如图6a所示，表明该策略可以获得预期的更好的收敛性。
3.4 Masked Modeling
最近，VideoMAE和ST-MAE[18,74]已经展示了掩模建模在增强模型细粒度时间理解能力方面的显著优势。UMT[43]进一步引入了一种有效的屏蔽对齐技术，该技术可以在单模式和多模式视频任务中产生稳健的结果。为了增强VideoMamba的时间敏感性并验证其对文本模态的适应性，我们采用了一种受UMT启发的屏蔽对齐方法。首先，VideoMamba从头开始对视频数据进行训练，将未屏蔽的令牌与来自CLIP-ViT的令牌对齐。随后，它与文本编码器和跨模态解码器(即BERT[14])集成，用于图像文本和视频文本数据集的预训练。
重要的是要注意它与UMT的区别，UMT在学生和教师模型之间采用多层对齐。相比之下，由于VideoMamba的独特架构(SSM vs. Transformer)，我们只对齐最终输出。关于我们的掩蔽策略，我们提出了不同的行掩蔽技术，如图5所示，根据B-Mamba块对连续令牌的偏好量身定制。此外，我们探索了注意力掩蔽，以保持令牌之间有意义的邻接关系，利用B-Mamba块内1D卷积的固有优势来提高性能。
4 Experiments
略
