Videomae Base Finetuned Ssv2

🚀 VideoMAE (ベースサイズのモデル、Something-Something-v2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2400エポック事前学習され、Something-Something-v2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、このリポジトリ で最初に公開されました。

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ました。

🚀 クイックスタート

このモデルは、ビデオ分類タスクに使用できます。以下のセクションでは、モデルの詳細、使用方法、評価結果などについて説明します。

✨ 主な機能

• VideoMAEは、Masked Autoencoders (MAE) をビデオに拡張したモデルです。
• 標準的なVision Transformer (ViT) と非常に似たアーキテクチャを持ち、マスクされたパッチのピクセル値を予測するためのデコーダが上部にあります。
• 事前学習により、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できます。

📚 ドキュメント

モデルの説明

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) と非常に似ており、マスクされたパッチのピクセル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。また、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。トランスフォーマーエンコーダのレイヤーにシーケンスを入力する前に、固定の正弦/余弦位置埋め込みも追加されます。

モデルを事前学習することで、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できます。たとえば、ラベル付きビデオのデータセットがある場合、事前学習されたエンコーダの上部に線形レイヤーを配置して、標準的な分類器を学習できます。通常、[CLS] トークンの上部に線形レイヤーが配置され、このトークンの最後の隠れ状態は、ビデオ全体の表現と見なすことができます。

想定される用途と制限

この生モデルを使用して、400種類のKinetics-400ラベルのいずれかにビデオを分類できます。

💻 使用例

基本的な使用法

以下は、このモデルを使用してビデオを分類する方法の例です。

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-ssv2")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")

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])

より多くのコード例については、ドキュメント を参照してください。

🔧 技術詳細

評価結果

このモデルは、Something-Something-v2のテストセットで、トップ1精度70.6、トップ5精度92.6を達成しています。

BibTeXエントリと引用情報

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。