Vivit B 16x2

🚀 ViViT (Video Vision Transformer)

ViViTモデルは、Arnabらによる論文 ViViT: A Video Vision Transformer 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: ViViTを公開したチームはこのモデルについて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

ViViTは、Vision Transformer (ViT) をビデオに拡張したモデルです。詳細については論文を参照してください。

✨ 主な機能

このモデルは、主にビデオ分類などの下流タスクでファインチューニングすることを目的としています。興味のあるタスクでファインチューニング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。

💻 使用例

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

BibTeXエントリと引用情報

@misc{arnab2021vivit,
      title={ViViT: A Video Vision Transformer}, 
      author={Anurag Arnab and Mostafa Dehghani and Georg Heigold and Chen Sun and Mario Lučić and Cordelia Schmid},
      year={2021},
      eprint={2103.15691},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 ライセンス

このモデルはMITライセンスの下で公開されています。