Videomae Base Finetuned Ssv2

🚀 VideoMAE (基礎大小模型，在Something-Something-v2上微調)

VideoMAE模型以自監督方式預訓練2400個週期，並在Something-Something-v2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，並首次在此倉庫發佈。

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

🚀 快速開始

本項目的VideoMAE模型可用於視頻分類等下游任務。通過預訓練學習視頻的內在表示，可提取對下游任務有用的特徵。

✨ 主要特性

• 擴展自MAE：VideoMAE是Masked Autoencoders (MAE)在視頻領域的擴展。
• 類似ViT架構：模型架構與標準的Vision 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。
• 可用於下游任務：通過預訓練學習視頻的內在表示，可用於提取對下游任務有用的特徵。

📚 詳細文檔

模型描述

VideoMAE是Masked Autoencoders (MAE)在視頻領域的擴展。該模型的架構與標準的Vision 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）呈現給模型，並進行線性嵌入。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。

通過對模型進行預訓練，它可以學習視頻的內在表示，這些表示可用於提取對下游任務有用的特徵。例如，如果您有一個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，訓練一個標準的分類器。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以看作是整個視頻的表示。

預期用途與限制

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

💻 使用示例

基礎用法

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-base-finetuned-ssv2")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")

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。

🔧 技術細節

評估結果

該模型在Something - Something - v2測試集上的top - 1準確率為70.6，top - 5準確率為92.6。

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

本項目採用CC - BY - NC - 4.0許可證。