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Kinetics-400数据集上进行了1600个周期的预训练。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，因此本模型卡由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，顶部添加了一个解码器用于预测被掩码块（patch）的像素值。

视频以固定尺寸块（分辨率为16x16）的序列形式输入模型，这些块经过线性嵌入。序列开头还添加了一个[CLS]标记，用于分类任务。在将序列输入Transformer编码器层之前，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的有用特征：例如，如果有标记视频的数据集，可以在预训练编码器顶部添加线性层来训练标准分类器。通常会在[CLS]标记顶部添加线性层，因为该标记的最后隐藏状态可视为整个视频的表示。

预期用途与限制

原始模型可用于预测视频中被掩码块的像素值，但主要用于在下游任务上进行微调。请参阅模型中心查找感兴趣任务的微调版本。

使用方法

以下是如何使用此模型预测随机掩码块的像素值：

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

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

processor = VideoMAEImageProcessor.from_pretrained("MCG-NJU/videomae-base")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base")

pixel_values = processor(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

（待补充，欢迎提交PR）

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: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}