Videomae Base Short

🚀 VideoMAE（基础大小模型，仅预训练）

VideoMAE 是一个在 Kinetics - 400 数据集上以自监督方式预训练 800 个周期的视频模型。该模型由 Tong 等人在论文 VideoMAE: Masked Autoencoders are Data - Efficient Learners for Self - Supervised Video Pre - Training 中提出，并首次在 [此仓库](https://github.com/MCG - NJU/VideoMAE) 发布。

声明：发布 VideoMAE 的团队并未为此模型编写模型卡片，此卡片由 Hugging Face 团队编写。

🚀 快速开始

本部分将为你介绍如何使用 VideoMAE 模型进行视频处理。

✨ 主要特性

• VideoMAE 是 Masked Autoencoders (MAE) 在视频领域的扩展。
• 模型架构与标准的视觉变换器（ViT）非常相似，顶部有一个解码器用于预测掩码块的像素值。
• 通过预训练，模型学习到视频的内部表示，可用于提取对下游任务有用的特征。

📚 详细文档

模型描述

VideoMAE 是 Masked Autoencoders (MAE) 在视频领域的扩展。其模型架构与标准的视觉变换器（ViT）极为相似，顶部配备一个解码器，用于预测掩码块的像素值。

视频以固定大小的块序列（分辨率为 16x16）的形式输入到模型中，并进行线性嵌入。同时，在序列开头添加一个 [CLS] 标记，用于分类任务。在将序列输入到 Transformer 编码器层之前，还会添加固定的正弦/余弦位置嵌入。

通过预训练，模型学习到视频的内部表示，这些表示可用于提取对下游任务有用的特征。例如，如果你有一个带标签的视频数据集，可以在预训练的编码器顶部放置一个线性层，训练一个标准的分类器。通常，会在 [CLS] 标记顶部放置一个线性层，因为该标记的最后隐藏状态可视为整个视频的表示。

预期用途与限制

你可以使用原始模型来预测视频掩码块的像素值，但该模型主要用于在下游任务上进行微调。你可以访问 模型中心 查找针对你感兴趣任务的微调版本。

训练数据

（待完成，欢迎提交 PR）

训练过程

预处理

（待完成，欢迎提交 PR）

预训练

（待完成，欢迎提交 PR）

评估结果

（待完成，欢迎提交 PR）

💻 使用示例

基础用法

以下是如何使用该模型预测随机掩码块像素值的示例代码：

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-base-short")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base-short")

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

更多代码示例，请参考 文档。

📄 许可证

本模型采用 CC - BY - NC - 4.0 许可证。

BibTeX 引用及引用信息

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}
}