license: "cc-by-nc-4.0" tags:

• 视觉
• 视频分类

VideoMAE（小尺寸模型，基于SSV2微调）

VideoMAE模型通过自监督方式预训练2400个周期，并在Something-Something V2数据集上进行监督微调。该模型由Tong等人在论文VideoMAE：掩码自编码器是高效数据学习的自监督视频预训练方法中提出，并首次发布于此代码库。

免责声明：发布VideoMAE的团队未为此模型编写说明卡片，本卡片由Hugging Face团队撰写。

模型描述

VideoMAE是掩码自编码器(MAE)在视频领域的扩展。模型架构与标准视觉Transformer(ViT)非常相似，顶部添加了用于预测掩码补丁像素值的解码器。

视频以固定尺寸补丁序列（分辨率16x16）形式输入模型，并进行线性嵌入。序列开头添加[CLS]标记用于分类任务，在输入Transformer编码器层前还添加了固定的正弦/余弦位置嵌入。

通过预训练，模型学习视频的内部表示，可用于提取下游任务特征：例如若有标注视频数据集，可在预训练编码器顶部添加线性层训练标准分类器。通常将线性层置于[CLS]标记上，因其最终隐藏状态可视为整个视频的表征。

预期用途与限制

该原始模型可用于将视频分类为174种Something-Something V2标签之一。

使用方法

以下为使用本模型进行视频分类的示例：

from transformers import VideoMAEFeatureExtractor, VideoMAEForVideoClassification
import numpy as np
import torch

video = list(np.random.randn(16, 3, 224, 224))

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("MCG-NJU/videomae-small-finetuned-ssv2")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-small-finetuned-ssv2")

inputs = feature_extractor(video, return_tensors="pt")

with torch.no_grad():
  outputs = model(**inputs)
  logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("预测类别:", model.config.id2label[predicted_class_idx])

更多代码示例请参阅文档。

训练数据

（待补充，欢迎提交PR）

训练流程

预处理

（待补充，欢迎提交PR）

预训练

（待补充，欢迎提交PR）

评估结果

该模型在Something-Something V2测试集上达到66.8的top-1准确率和90.3的top-5准确率。

BibTeX引用信息

misc{https://doi.org/10.48550/arxiv.2203.12602,
  doi = {10.48550/ARXIV.2203.12602},
  url = {https://arxiv.org/abs/2203.12602},
  author = {Tong, Zhan and Song, Yibing and Wang, Jue and Wang, Limin},
  keywords = {计算机视觉与模式识别(cs.CV), 计算机与信息科学, 计算机与信息科学},
  title = {VideoMAE：掩码自编码器是高效数据学习的自监督视频预训练方法},
  publisher = {arXiv},
  year = {2022},
  copyright = {知识共享署名4.0国际许可协议}
}