Videomae Base Short

🚀 VideoMAE（基礎大小模型，僅預訓練）

VideoMAE 是一個在 Kinetics - 400 數據集上以自監督方式預訓練 800 個週期的視頻模型。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 的團隊並未為此模型編寫模型卡片，此卡片由 Hugging Face 團隊編寫。

🚀 快速開始

本部分將為你介紹如何使用 VideoMAE 模型進行視頻處理。

✨ 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。

📚 詳細文檔

模型描述

VideoMAE 是 Masked Autoencoders (MAE) 在視頻領域的擴展。其模型架構與標準的視覺變換器（ViT）極為相似，頂部配備一個解碼器，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）的形式輸入到模型中，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。

通過預訓練，模型學習到視頻的內部表示，這些表示可用於提取對下游任務有用的特徵。例如，如果你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視為整個視頻的表示。

預期用途與限制

你可以使用原始模型來預測視頻掩碼塊的像素值，但該模型主要用於在下游任務上進行微調。你可以訪問 模型中心 查找針對你感興趣任務的微調版本。

訓練數據

（待完成，歡迎提交 PR）

訓練過程

預處理

（待完成，歡迎提交 PR）

預訓練

（待完成，歡迎提交 PR）

評估結果

（待完成，歡迎提交 PR）

💻 使用示例

基礎用法

以下是如何使用該模型預測隨機掩碼塊像素值的示例代碼：

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

更多代碼示例，請參考 文檔。

📄 許可證

本模型採用 CC - BY - NC - 4.0 許可證。

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}
}