原创 图像分类器拿下视频理解：VideoMSN用10轮训练超越VideoMAE的1600轮 来自arXiv的最新研究VideoMSN提出将视频帧排列成"超图像"网格，用标准图像ViT编码器完成时空表征学习，无需3D架构或像素重建。在Kinetics-400基准上，VideoMSN仅用10轮预训练就达到83.3%准确率，而Video 视频自监督学习 VideoMSN Vision Transformer 计算机视觉 10小时前 24
