Videomae Base Finetuned Ssv2

🚀 VideoMAE (基础大小模型，在Something-Something-v2上微调)

VideoMAE模型以自监督方式预训练2400个周期，并在Something-Something-v2上进行有监督微调。该模型由Tong等人在论文VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training中提出，并首次在此仓库发布。

声明：发布VideoMAE的团队并未为此模型编写模型卡片，此模型卡片由Hugging Face团队编写。

🚀 快速开始

本项目的VideoMAE模型可用于视频分类等下游任务。通过预训练学习视频的内在表示，可提取对下游任务有用的特征。

✨ 主要特性

• 扩展自MAE：VideoMAE是Masked Autoencoders (MAE)在视频领域的扩展。
• 类似ViT架构：模型架构与标准的Vision Transformer (ViT)非常相似，顶部有一个解码器用于预测掩码块的像素值。
• 可用于下游任务：通过预训练学习视频的内在表示，可用于提取对下游任务有用的特征。

📚 详细文档

模型描述

VideoMAE是Masked Autoencoders (MAE)在视频领域的扩展。该模型的架构与标准的Vision Transformer (ViT)非常相似，顶部有一个解码器用于预测掩码块的像素值。

视频以固定大小的块序列（分辨率为16x16）呈现给模型，并进行线性嵌入。同时，在序列开头添加一个[CLS]标记，用于分类任务。在将序列输入到Transformer编码器层之前，还会添加固定的正弦/余弦位置嵌入。

通过对模型进行预训练，它可以学习视频的内在表示，这些表示可用于提取对下游任务有用的特征。例如，如果您有一个带标签的视频数据集，可以在预训练的编码器顶部放置一个线性层，训练一个标准的分类器。通常，会在[CLS]标记顶部放置一个线性层，因为该标记的最后隐藏状态可以看作是整个视频的表示。

预期用途与限制

您可以使用原始模型将视频分类到400种可能的Kinetics - 400标签之一。

💻 使用示例

基础用法

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])

更多代码示例请参考文档。

🔧 技术细节

评估结果

该模型在Something - Something - v2测试集上的top - 1准确率为70.6，top - 5准确率为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}
}

📄 许可证

本项目采用CC - BY - NC - 4.0许可证。