timesformer的输入为什么是1 3 24 224 224 而不是 1 3 8 224 224

[dengfenglai321]

你好，请问timesformer的网络输入是8帧吧，我看代码里是1 3 24 224 224， 这个24 怎么理解和怎么得到呢

[HydrogenSulfate]

不知道你指的是否是export_model.py里的InputSpec，因为推理和测试使用的是同样的策略，即UniformCrop，所以24实际上是由3组8帧的视频帧组成，即[I0,I1,...,I7, I0,I1,...,I7, I0,I1,...,I7]， 经过Pipeline处理完得到24帧，然后在framework中由于runtime_cfg的控制会被重新切分成3组8帧的视频，送入网络计算出结果，再把3组输出融合得到最后的分数