# 時空間モデリング

V-JEPA 2はMetaのFAIRチームが開発した最先端のビデオ理解モデルで、VJEPAの事前学習目標を拡張し、業界をリードするビデオ理解能力を備えています。

VideoMAEv2-Baseは自己教師あり学習に基づく動画特徴抽出モデルで、UnlabeldHybrid-1Mデータセット上でデュアルマスキングメカニズムを用いて事前学習されています。

Chat-UniViは統一視覚表現の大規模言語モデルで、画像と動画の内容を同時に理解できます。

ViViTはビジョントランスフォーマー(ViT)をビデオ処理向けに拡張したもので、特にビデオ分類タスクに適しています。

ViViTはビジョントランスフォーマー(ViT)をビデオ処理向けに拡張したもので、主にビデオ分類などの下流タスクに使用されます。

VideoMAEはマスクオートエンコーダ(MAE)に基づくビデオ自己教師あり事前学習モデルで、マスクされたビデオブロックのピクセル値を予測することでビデオ内部表現を学習します。

VideoMAEはマスクオートエンコーダ(MAE)に基づく動画自己教師あり事前学習モデルで、マスクされた動画ブロックのピクセル値を予測することで動画表現を学習します

CNN - RNN混合アーキテクチャに基づくビデオ分類モデルで、動作認識タスクに使用されます。