Mamba 模型在视频理解任务中展现出强劲潜力 打败Transformer

　　近日，来自南京大学、上海人工智能实验室、复旦大学、浙江大学的研究队发布了一项关于视频理解的开创性工作。该研究全面审视了 Mamba 模型在建模中的多重角色，提出了针对14种模型 / 模块的 Video Mamba Suite，并对其在12项视频理解任务中进行了深估。

　　研究结果显示，Mamba 模型在视频专用和视频 - 语言任务中均展出强劲的潜力，实了效率与性能的理想平衡，为视频理解领域带来了革命性变革。

　　过去，视频理解技术一直是计算机视觉领域的关键驱动力之一。从循神经网络、三维卷积神经网络到最近的 Transformer 模型，每一次技术的飞跃都极大地拓了对视频数据的理解和应用。然而，传统架构在处理长视频序列的能力上渐暴露出局限性，而状态空间模型架构 Mamba 以其线性计算复杂度的优势，为视频理解领域带来新的可能性。Mamba 模型的 Video Mamba Suite 套件被用于评估12项视频理解任务，结果表明 Mamba 模型在视频时间任务、多模态交互任务等领域展现出了强大的潜力和性能。

　　该研究 Mamba 模型在视频理解领域的多种角色进行了深入研究，包括时序模型、多模态交、时空模型等。研究团队展示了 Mamba 模型在视频时间任务上的性能优越性相较于现有 Transformer 模型展现出了更加卓越的性能。此外，Mamba 模型在多模态交互任务中也呈现出了强大的表现。综合实验结果显示，Mamba 模型在视频理解领域具潜在的优势和多样化的角色，为未来视频理解研究提供了有力的推动和参考价值。