Vivit B 16x2

🚀 ViViT (視頻視覺Transformer)

ViViT是一種用於視頻處理的模型，它基於Transformer架構，能夠有效處理視頻數據。該模型為視頻分類等下游任務提供了強大的支持，具有廣泛的應用前景。

🚀 快速開始

ViViT模型由Arnab等人在論文 ViViT: A Video Vision Transformer 中提出，並首次在 此倉庫 中發佈。

⚠️ 重要提示

發佈ViViT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

ViViT是 視覺Transformer (ViT) 在視頻領域的擴展。具體細節請參考相關論文。

📚 詳細文檔

預期用途和限制

該模型主要用於在下游任務（如視頻分類）上進行微調。您可以在 模型中心 中查找針對您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。

BibTeX引用和引用信息

@misc{arnab2021vivit,
      title={ViViT: A Video Vision Transformer}, 
      author={Anurag Arnab and Mostafa Dehghani and Georg Heigold and Chen Sun and Mario Lučić and Cordelia Schmid},
      year={2021},
      eprint={2103.15691},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

📄 許可證

本項目採用MIT許可證。