Videomae Huge Finetuned Kinetics

🚀 VideoMAE（超大型模型，在Kinetics - 400上微調）

VideoMAE是一個視頻模型，它以自監督的方式預訓練了1600個週期，並在Kinetics - 400上進行了有監督的微調。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)中發佈。

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

✨ 主要特性

• VideoMAE是掩碼自編碼器（MAE）在視頻領域的擴展。其架構與標準的視覺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。
• 模型通過預訓練學習視頻的內部表示，可用於提取對下游任務有用的特徵。例如，若有帶標籤的視頻數據集，可在預訓練編碼器頂部添加線性層來訓練標準分類器。

📚 詳細文檔

模型描述

視頻以固定大小的塊（分辨率16x16）序列形式輸入到模型中，並進行線性嵌入。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，若有帶標籤的視頻數據集，可在預訓練編碼器頂部添加線性層來訓練標準分類器。通常在[CLS]標記頂部添加線性層，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

可使用原始模型將視頻分類為400種可能的Kinetics - 400標籤之一。

💻 使用示例

基礎用法

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

🔧 技術細節

評估結果

該模型在Kinetics - 400測試集上的top - 1準確率為86.6，top - 5準確率為97.1。

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。