【CVPR2023】Vita-CLIP:通过多模态提示的视频和文本自适应CLIP

将CLIP等对比图像-文本预训练模型用于视频分类，因其成本效益和具有竞争力的性能而受到关注。然而，最近在这一领域的工作面临一个权衡。对预训练模型进行微调以实现强监督性能，会导致低零样本泛化。类似地，冻结主干以保留零样本能力会导致监督精度的显著下降。因此，最近的文献工作通常为监督和零样本行为识别训练单独的模型。本文提出一种多模态提示学习方案，在单一统一训练下平衡有监督和零样本的性能。视觉方面的提示方法满足了三个方面的需求:1)全局视频级提示对数据分布进行建模;2)局部帧级提示，为每帧提供判别式条件;以及3)用于提取浓缩视频表示的摘要提示。此外，在文本端定义了一个提示方案，以增强文本上下文。通过这种激励方案，可以在Kinetics-600、HMDB51和UCF101上实现最先进的零样本性能，同时在有监督的环境中保持竞争力。通过保持预训练主干冻结，优化了更少的参数数量，并保留了现有的通用表示，这有助于实现强大的零样本性能。我们的代码/模型发布在https://github.com/TalalWasim/Vita-CLIP.