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

• 视觉
• 视频分类

VideoMAE（基础尺寸模型，仅预训练）

VideoMAE模型通过自监督方式在Something-Something-v2数据集上进行了2400轮预训练。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模型卡片，故本卡片由Hugging Face团队撰写。

模型描述

VideoMAE是Masked Autoencoders (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块像素值的解码器。

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

通过预训练，模型学习视频的内部表征，可提取下游任务所需特征：例如在有标签视频数据集上，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

原始模型可用于预测视频掩码块的像素值，但主要适用于下游任务微调。访问模型中心寻找相关任务的微调版本。

使用方法

以下代码演示如何预测随机掩码块的像素值：

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

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

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("MCG-NJU/videomae-base-short-ssv2")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base-short-ssv2")

pixel_values = feature_extractor(video, return_tensors="pt").pixel_values

num_patches_per_frame = (model.config.image_size // model.config.patch_size) ** 2
seq_length = (num_frames // model.config.tubelet_size) * num_patches_per_frame
bool_masked_pos = torch.randint(0, 2, (1, seq_length)).bool()

outputs = model(pixel_values, bool_masked_pos=bool_masked_pos)
loss = outputs.loss

更多代码示例参见文档。

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

（待补充，欢迎提交PR）

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 = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}