VideoMAE（基于基准尺寸的模型，在Kinetics-400上微调）

VideoMAE模型以自监督的方式进行了1600个时期的预训练，并在Kinetics-400上进行了监督微调。它由Tong等人在文献 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training 中提出，并于 this repository 首次发布。

免责声明：发布VideoMAE的团队没有为该模型编写模型卡，因此此模型卡是由Hugging Face团队编写的。

模型描述

VideoMAE是 Masked Autoencoders (MAE) 在视频领域的扩展。该模型的架构与标准的Vision Transformer（ViT）非常相似，顶部有一个解码器，用于预测掩码补丁的像素值。

将视频呈现给模型时，将其作为固定尺寸补丁（分辨率16x16）的序列进行处理，并进行线性嵌入。还在序列之前添加一个[CLS]标记，以在分类任务中使用。还在将序列提供给Transformer编码器的层之前添加固定的正弦/余弦位置嵌入。

通过预训练模型，可以学习到视频的内部表示，然后可以用于提取对下游任务有用的特征：例如，如果你有一个带有标签的视频数据集，可以在预训练的编码器之上放置一个线性层来训练一个标准的分类器。通常将线性层放在[CLS]标记之上，因为该标记的最后隐藏状态可以看作是整个视频的表示。

使用方式和限制条件

您可以使用原始模型对视频进行分类，有400个可能的Kinetics-400标签。

使用方法

以下是如何使用此模型对视频进行分类的方法：

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("Predicted class:", model.config.id2label[predicted_class_idx])

有关更多代码示例，请参考 documentation 。

训练数据

（待完成，请随时提交PR）

训练过程

预处理

（待完成，请随时提交PR）

预训练

（待完成，请随时提交PR）

评估结果

该模型在Kinetics-400的测试集上获得了80.9的Top-1准确率和94.7的Top-5准确率。

BibTeX条目和引用信息

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}
}