🚀 VideoMAE (大型モデル、事前学習のみ)
VideoMAEモデルは、Kinetics - 400データセットで1600エポック、自己教師付き学習方式で事前学習されています。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](https://github.com/MCG - NJU/VideoMAE) 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
VideoMAEは、ビデオに対するMasked Autoencoders (MAE)の拡張です。このモデルは、ビデオの内部表現を学習し、下流タスクに役立つ特徴量を抽出するために使用できます。
✨ 主な機能
- ビデオのマスクされたパッチのピクセル値を予測することができます。
- 下流タスクに対して微調整することができ、ビデオ分類などのタスクに利用できます。
📚 ドキュメント
モデルの説明
VideoMAEは、ビデオに対するMasked Autoencoders (MAE)の拡張です。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。分類タスクに使用するために、シーケンスの先頭に [CLS] トークンも追加されます。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、下流タスクに役立つ特徴量を抽出することができます。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することができます。通常、[CLS] トークンの上部に線形レイヤーを配置します。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
生のモデルを使用して、ビデオのマスクされたパッチのピクセル値を予測することができますが、主に下流タスクで微調整することを目的としています。関心のあるタスクで微調整されたバージョンを探すには、モデルハブ を参照してください。
使い方
ここでは、このモデルを使用して、ランダムにマスクされたパッチのピクセル値を予測する方法を示します。
基本的な使用法
from transformers import VideoMAEImageProcessor, VideoMAEForPreTraining
import numpy as np
import torch
num_frames = 16
video = list(np.random.randn(16, 3, 224, 224))
processor = VideoMAEImageProcessor.from_pretrained("MCG-NJU/videomae-large")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-large")
pixel_values = processor(video, return_tensors="pt").pixel_values
num_patches_per_frame = (model.config.image_size // model.config.patch_size) ** 2
seq_length = (num_frames // model.config.tubelet_size) * num_patches_per_frame
bool_masked_pos = torch.randint(0, 2, (1, seq_length)).bool()
outputs = model(pixel_values, bool_masked_pos=bool_masked_pos)
loss = outputs.loss
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。
訓練データ
(to do, feel free to open a PR)
訓練手順
前処理
(to do, feel free to open a PR)
事前学習
(to do, feel free to open a PR)
評価結果
(to do, feel free to open a PR)
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。