VideoMAE是视频领域的掩码自编码器模型，通过自监督预训练并在Kinetics-400数据集上进行监督微调，适用于视频分类任务。

ViViT是对视觉变换器(ViT)的扩展，适用于视频处理，特别适合视频分类任务。

ViViT是对视觉变换器(ViT)的扩展，适用于视频处理，主要用于视频分类等下游任务。

TimeSformer是一种基于空间-时间注意力机制的视频理解模型，在Kinetics-400数据集上进行了预训练和微调。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，支持零样本、少样本或全监督的视频分类任务。

X-CLIP是CLIP的极简扩展，用于通用视频语言理解，以对比方式在（视频，文本）对上训练，适用于零样本、少样本或全监督视频分类以及视频-文本检索等任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，支持视频分类和视频-文本检索任务。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在视频和文本对上训练，支持零样本、少样本和全监督的视频分类任务。