TimeSformer是基于空间-时间注意力机制的视频理解模型，在Kinetics-400数据集上进行了微调，可用于视频分类任务。

TimeSformer是一个基于空间-时间注意力机制的视频分类模型，专门用于视频理解任务。

TimeSformer是一个基于空间-时间注意力机制的视频分类模型，专门针对Kinetics-400数据集进行微调。

VideoMAE是基于掩码自编码器(MAE)的视频自监督预训练模型，通过掩码补丁预测学习视频内部表示，适用于下游视频分类等任务。