Videomae Large Finetuned Kinetics

🚀 VideoMAE（大型模型，在Kinetics - 400上微調）

VideoMAE模型以自監督方式預訓練1600個週期，並在Kinetics - 400上進行有監督微調。該模型由Tong等人在論文VideoMAE: Masked Autoencoders are Data - Efficient Learners for Self - Supervised Video Pre - Training中提出，並首次在[此倉庫](https://github.com/MCG - NJU/VideoMAE)發佈。

聲明：發佈VideoMAE的團隊未為此模型編寫模型卡片，此模型卡片由Hugging Face團隊編寫。

✨ 主要特性

• VideoMAE是Masked Autoencoders (MAE)在視頻領域的擴展。模型架構與標準的視覺Transformer (ViT)非常相似，頂部有一個解碼器，用於預測掩碼塊的像素值。
• 視頻以固定大小的塊序列（分辨率為16x16）的形式輸入模型，這些塊經過線性嵌入。此外，在序列開頭添加一個[CLS]標記，用於分類任務。在將序列輸入Transformer編碼器層之前，還會添加固定的正弦/餘弦位置嵌入。
• 通過預訓練，模型學習到視頻的內部表示，可用於提取對下游任務有用的特徵。例如，如果有帶標籤的視頻數據集，可以在預訓練的編碼器頂部放置一個線性層，訓練一個標準分類器。通常會在[CLS]標記頂部放置一個線性層，因為該標記的最後隱藏狀態可視為整個視頻的表示。

📚 詳細文檔

預期用途和限制

可以使用原始模型將視頻分類為400種可能的Kinetics - 400標籤之一。

如何使用

以下是如何使用此模型對視頻進行分類的示例：

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-large-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-large-finetuned-kinetics")

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])

更多代碼示例，請參考文檔。

評估結果

該模型在Kinetics - 400測試集上的top - 1準確率為84.7，top - 5準確率為96.5。

BibTeX引用和引用信息

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}
}

📄 許可證

此模型遵循CC - BY - NC - 4.0許可證。