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（基础尺寸模型，基于Kinetics-400微调）

VideoMAE模型通过自监督方式预训练1600个周期，并在Kinetics-400数据集上以监督方式进行微调。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，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的补丁的像素值。

视频以固定尺寸补丁（分辨率16x16）的序列形式输入模型，这些补丁经过线性嵌入。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所需的特征：例如，如果有带标签的视频数据集，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

您可以使用原始模型将视频分类为Kinetics-400的400个可能类别之一。

使用方法

以下是使用此模型对视频进行分类的示例：

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-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-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，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Kinetics-400测试集上获得了80.9的top-1准确率和94.7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 = {知识共享署名 4.0 国际许可协议}
}