Xclip Base Patch16 Ucf 4 Shot

🚀 X-CLIP（基礎尺寸模型）

X-CLIP是一個用於通用視頻語言理解的模型，它在視頻分類和視頻文本檢索等任務中表現出色。該模型基於CLIP擴展而來，以對比學習的方式在（視頻，文本）對上進行訓練，能夠處理零樣本、少樣本或全監督的視頻分類任務。

🚀 快速開始

X-CLIP模型（基礎尺寸，補丁分辨率為16）在UCF101數據集上以少樣本（K = 4）的方式進行訓練。它由Ni等人在論文Expanding Language-Image Pretrained Models for General Video Recognition中提出，並首次在此倉庫發佈。

該模型在訓練時每個視頻使用32幀，分辨率為224x224。

免責聲明：發佈X-CLIP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

• 通用視頻語言理解：X-CLIP是CLIP的擴展，能夠處理視頻和文本之間的關聯，適用於多種視頻相關任務。
• 對比學習訓練：通過對比學習在（視頻，文本）對上進行訓練，使模型能夠學習到視頻和文本之間的語義關係。
• 多任務適用性：可用於零樣本、少樣本或全監督的視頻分類以及視頻文本檢索等任務。

📚 詳細文檔

預期用途和限制

你可以使用原始模型來判斷給定視頻與文本的匹配程度。你可以在模型中心查找針對你感興趣的任務進行微調的版本。

使用方法

有關代碼示例，請參考文檔。

訓練數據

該模型在UCF101數據集上進行訓練。

預處理

訓練期間預處理的確切細節可在此處找到。 驗證期間預處理的確切細節可在此處找到。 在驗證期間，會調整每一幀的短邊大小，然後進行中心裁剪以獲得固定大小的分辨率（如224x224）。接下來，使用ImageNet的均值和標準差在RGB通道上對幀進行歸一化處理。

評估結果

該模型在UCF101數據集上的top-1準確率達到了83.4%。

📄 許可證

本項目採用MIT許可證。