SV-TAD: Коренные спарсе Конвсы для эффективного временного обнаружения

arXiv: 2610.11579v1 Annuate Type: New Brieflook: Для адаптации миллиардного параметра Vision Transformers к долговидению, последние методы заморозили позвоночник и тренировали легковесные вращательные модули. Хотя существующие адаптаторы являются эффективными в плане подготовки по вопросам эффективности параметров, они не уменьшают расчет времени вывода, оставляя возможность масштабирования по отношению к длине видеозаписи практически незанятой. Токеновый отбор может снизить затраты на внимание за счет использования избыточных символов, но он нарушает структуру пространственной сетки, требуемую распределительными адапторами. Это приводит к дорогостоящему плотному восстановлению, сводя на нет большую часть потенциального ускорения. Мы решим эту проблему, введя местные низкоскоростные 2D-говольствия - примитивную систему, которая впервые позволяет этим адаптаторам работать непосредственно и эффективно на динамически скрученных наборах. Мы интегрировали это примитивное в SV-TAD, адаптационную систему для обнаружения временных действий, сокращая VideoMaEv2-L вычисления до 64% и достигая 2,2x быстрых выводов, пока Mai