# 視頻分類

VideoMAE是視頻領域的掩碼自編碼器模型，通過自監督預訓練並在Kinetics-400數據集上進行監督微調，適用於視頻分類任務。

ViViT是對視覺變換器(ViT)的擴展，適用於視頻處理，特別適合視頻分類任務。

ViViT是對視覺變換器(ViT)的擴展，適用於視頻處理，主要用於視頻分類等下游任務。

TimeSformer是一種基於空間-時間注意力機制的視頻理解模型，在Kinetics-400數據集上進行了預訓練和微調。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，支持零樣本、少樣本或全監督的視頻分類任務。

X-CLIP是CLIP的極簡擴展，用於通用視頻語言理解，以對比方式在（視頻，文本）對上訓練，適用於零樣本、少樣本或全監督視頻分類以及視頻-文本檢索等任務。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，支持視頻分類和視頻-文本檢索任務。

X-CLIP是CLIP的擴展版本，用於通用視頻語言理解，通過對比學習在視頻和文本對上訓練，支持零樣本、少樣本和全監督的視頻分類任務。