本文介绍飞桨论文复现挑战赛第六期Token Shift Transformer视频分类冠军复现代码，已入Paddle Video套件。该代码复现的模型结合ViT与TSM，在UCF101数据集上，以特定条件达成92.81%的Top1准确率，超目标值，并说明了相关操作步骤与结构。

前言

本项目为飞桨论文复现挑战赛（第六期）的Token Shift Transformer for Video Classification 冠军复现代码，已收录于Paddle Video视频模型开发套件。

1. 简介

Paper：?Zhang H, Hao Y, Ngo C W.?Token shift transformer for video classification[C]//Proceedings of the 29th ACM International Conference on Multimedia. 2021: 917-925.

Code Reference：https://github.com/VideoNetworks/TokShift-Transformer

复现目标：UCF101数据集，ImageNet-21k预训练模型条件下，8x256x256输入尺寸，Top1=91.65

复现地址：Github

论文简析：Token Shift transformer 在应用于视频的ViT基础上，增加了额外的temporal processing modules，即将 ViT 与 TSM 进行结合。

ViT

Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth 16x16 words: Transformers for image recognition at scale[J]. arXiv preprint arXiv:2010.11929, 2020.登录后复制

TSM

Lin J, Gan C, Han S. Tsm: Temporal shift module for efficient video understanding[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 7083-7093.登录后复制

2. 复现精度

Model?Dataset?Pretrain?Res?(