الملخص
تمت ترجمة أجزاء من هذه الصفحة آلياً وقد تحتوي على أخطاء.
Comparisons in video self-supervised learning often evaluate complete training recipes rather than isolating the method itself: architecture, objective, data exposure, schedule, scale, and decoder capacity can all vary at once. This makes it hard to identify which choices yield motion-prioritized representations, whose gains concentrate on frame-to-frame change while retaining useful appearance. We address this with a matched $4 \times 6 = 24$ architecture-objective study at roughly 170M ~ 190M encoder scale on $\sim$1.7M OpenVid and Moments-in-Time v2 clips for 8 epochs, and propose TT-VidT. TT-VidT combines a DINOv3-initialized ViT-B/16 per-frame spatial path with a compact Temporal Transfer Layer, trained by Diff Compression to reconstruct target frames from a first-frame appearance anchor and frame-specific motion tokens. The sweep shows that TT3D with Diff Compression, not either component alone, enters the strongest motion-sensitive regime, and decoder ablations favor a compact video-pretrained decoder. In final comparison, TT-VidT leads Jester, Something-Something V2, ARID, and Diving48 fine-tuning simultaneously, improving over the strongest non-TT row by 54% ~ 121%, while using 48% fewer encoder FLOPs than DisMo and 55% fewer than VideoMAE or V-JEPA2. HMDB51, IARD, and EPIC-Kitchens bound the claim.
الكلمات المفتاحية
الموضوع
بيانات النشر
- المجلة
- غير متاح
- وصول مفتوح
- وصول مفتوح أخضر
اقتبس هذه المقالة
APA 7
Yeh, S. Y., Kaplan, D. Z., Wang, X., Yang, F. E., Chen, M. H., & Lai, S. H. (2026). TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة. https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining
MLA 9
Yeh, Shih-Ying, et al. "TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة." https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining.
شيكاغو (المؤلف–التاريخ)
Yeh, Shih-Ying, Daniel Z. Kaplan, Xuehai Wang, Fu-En Yang, Min-Hung Chen, and Shang-Hong Lai. 2026. "TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة." https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining.
هارفارد
Yeh, S. Y., Kaplan, D. Z., Wang, X., Yang, F. E., Chen, M. H. and Lai, S. H. (2026) 'TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة', Available at: https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining.
فانكوفر
Yeh SY, Kaplan DZ, Wang X, Yang FE, Chen MH, Lai SH. TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة. https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining
IEEE
S. Y. Yeh, D. Z. Kaplan, X. Wang, F. E. Yang, M. H. Chen, and S. H. Lai, "TT-VidT: فصل المحور الزمني للتدريب المسبق الفعّال للفيديو المتمحور حول الحركة," https://omanscience.com/ar/articles/tt-vidt-decoupling-the-temporal-axis-for-efficient-motion-centric-video-pretraining.