许可协议: "cc-by-nc-4.0" 标签:

• 视觉
• 视频分类

VideoMAE (基础尺寸模型，基于Something-Something-v2微调)

VideoMAE模型采用自监督方式预训练2400轮次，并在Something-Something-v2数据集上进行监督式微调。该模型由Tong等人在论文VideoMAE: 掩码自编码器是数据高效的自监督视频预训练学习器中提出，并首发于此代码库。

免责声明：发布VideoMAE的团队未编写此模型卡片，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)高度相似，顶部添加了用于预测掩码区块像素值的解码器。

视频以固定尺寸区块序列(16x16分辨率)的形式输入模型，经过线性嵌入处理。序列开头添加[CLS]标记用于分类任务，在输入Transformer编码器层前还会加入固定的正弦/余弦位置嵌入。

通过预训练，模型学习到视频的内部表征，可提取下游任务所需特征：例如在有标注视频数据集上，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]标记之上，因该标记的最后隐藏状态可视为整个视频的表征。

预期用途与限制

您可使用该原始模型将视频分类为Kinetics-400数据集的400个可能类别之一。

使用方法

以下展示如何使用该模型进行视频分类：

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

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

processor = VideoMAEImageProcessor.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")

inputs = processor(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测试集上获得70.6的top-1准确率和92.6的top-5准确率。

BibTeX条目与引用信息

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 = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {VideoMAE: 掩码自编码器是数据高效的自监督视频预训练学习器},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}