# 高精度動作認識

VideoMAEアーキテクチャに基づく動画分類モデルで、暴力と非暴力シーンの分類タスクに特化して微調整されています

X-CLIPはCLIPの拡張版で、一般的なビデオと言語の理解のために、ビデオとテキストのペアで対照学習によって訓練されています。

X-CLIPはCLIPの拡張版で、汎用的なビデオ言語理解に使用され、ゼロショット、少数ショット、または完全教師ありのビデオ分類やビデオ-テキスト検索などのタスクをサポートします。

X-CLIPはCLIPの拡張版で、一般的なビデオ言語理解のために、（ビデオ、テキスト）ペアで対比学習によりトレーニングされています。

X-CLIPはCLIPを拡張したもので、ビデオと言語の汎用的な理解のために、対照学習を通じてビデオ分類とビデオ-テキスト検索タスクを実現します。

X-CLIPはCLIPを拡張したもので、一般的なビデオと言語の理解のために、（ビデオ、テキスト）ペアで対比学習によって訓練されます。

X-CLIPは、一般的なビデオと言語の理解のためにCLIPを極めてシンプルに拡張したもので、（ビデオ、テキスト）ペアで対照学習によってトレーニングされます。

X-CLIPはCLIPの拡張版で、汎用的なビデオ言語理解のために設計されており、ビデオとテキストのペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。

X-CLIPはCLIPの拡張版で、汎用ビデオ言語理解のために(ビデオ、テキスト)ペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。

VideoMAEはマスク自己符号化器に基づく自己教師あり動画事前学習モデルで、Kinetics-400データセットでファインチューニング後、動画分類タスクに使用可能です。