基于VideoMAE架构的视频分类模型，专门针对暴力与非暴力场景分类任务进行微调

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。

X-CLIP是对CLIP的扩展，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以及视频-文本检索等任务。

X-CLIP是CLIP的扩展版本，用于通用的视频语言理解，通过对比学习在（视频，文本）对上训练。

X-CLIP是对CLIP的扩展，用于通用视频-语言理解，通过对比学习实现视频分类和视频-文本检索任务。

X-CLIP是对CLIP的扩展，用于通用视频-语言理解，通过对比学习在（视频，文本）对上训练。

X-CLIP是对CLIP的极简扩展，用于通用视频-语言理解，通过对比学习在（视频，文本）对上训练。

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，适用于视频分类和视频-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，通过对比学习在(视频，文本)对上训练，适用于视频分类和视频-文本检索等任务。

VideoMAE是基于掩码自编码器的自监督视频预训练模型，在Kinetics-400数据集上微调后可用于视频分类任务。