Videomae Small Finetuned Kinetics

🚀 VideoMAE（小型模型，在Kinetics - 400上微調）

VideoMAE模型以自監督方式預訓練1600個輪次，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。

免責聲明：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，其架構與標準視覺變換器（ViT）非常相似，頂部有一個解碼器用於預測掩碼塊的像素值。
• 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。

🚀 快速開始

模型用途

你可以使用該原始模型將視頻分類到400種可能的Kinetics - 400標籤中的某一類。

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

📚 詳細文檔

模型描述

VideoMAE將視頻以固定大小塊（分辨率16x16）的序列形式呈現給模型，這些塊進行線性嵌入。同時，在序列開頭添加一個[CLS]標記用於分類任務。在將序列輸入到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，如果你有一個帶標籤的視頻數據集，可以在預訓練編碼器頂部放置一個線性層來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。

預期用途和侷限性

你可以使用該原始模型將視頻分類到400種可能的Kinetics - 400標籤中的某一類。

評估結果

該模型在Kinetics - 400測試集上的top - 1準確率為79.0，top - 5準確率為93.8。

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

本模型採用CC - BY - NC - 4.0許可證。