许可协议: "知识共享-署名-非商业性使用 4.0" 标签:

• 视觉
• 视频分类

VideoMAE（超大规模模型，基于Kinetics-400微调）

该VideoMAE模型通过1600轮自监督方式进行预训练，并在Kinetics-400数据集上以监督方式微调。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。

视频输入被处理为固定尺寸区块序列（分辨率16x16），经线性嵌入后输入模型。序列前端添加[CLS]标记用于分类任务，在输入Transformer编码器层前还加入了固定正弦/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：例如在已标注视频数据集上，通过在预训练编码器顶部添加线性层即可训练标准分类器。通常会在[CLS]标记顶部添加线性层，因该标记的最后隐藏状态可视为整段视频的表征。

使用场景与限制

该原始模型可用于400种Kinetics-400标签的视频分类任务。

使用方法

视频分类示例代码：

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-huge-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-huge-finetuned-kinetics")

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

该模型在Kinetics-400测试集上取得86.6%的top-1准确率和97.1%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}
}