Videomae Small Finetuned Kinetics

🚀 VideoMAE (小型モデル、Kinetics-400でファインチューニング済み)

VideoMAEモデルは、自己教師付き学習で1600エポック事前学習され、Kinetics-400で教師付き学習によりファインチューニングされています。このモデルはTongらによる論文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training で紹介され、最初は このリポジトリ で公開されました。

免責事項: VideoMAEを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されています。

🚀 クイックスタート

このセクションでは、VideoMAEモデルを使った基本的なビデオ分類の手順を説明します。

✨ 主な機能

VideoMAEは、Masked Autoencoders (MAE) をビデオに拡張したモデルです。モデルのアーキテクチャは標準的なVision Transformer (ViT) に非常に似ており、マスクされたパッチの画素値を予測するためのデコーダが上部にあります。ビデオは固定サイズのパッチ（解像度16x16）のシーケンスとしてモデルに入力され、線形埋め込みされます。分類タスクに使用するために、シーケンスの先頭に [CLS] トークンが追加されます。また、シーケンスをTransformerエンコーダのレイヤーに入力する前に、固定の正弦/余弦位置埋め込みが追加されます。事前学習により、モデルはビデオの内部表現を学習し、下流タスクに有用な特徴を抽出するために使用できます。

💻 使用例

基本的な使用法

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-small-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-small-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])

高度な使用法

より詳細なコード例については、ドキュメント を参照してください。

📚 ドキュメント

評価結果

このモデルは、Kinetics-400のテストセットでトップ1精度79.0、トップ5精度93.8を達成しています。

BibTeX引用

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}
}

📄 ライセンス

このモデルはCC BY-NC 4.0ライセンスの下で提供されています。