Videomae Base Ssv2

🚀 VideoMAE（基础大小模型，仅预训练）

VideoMAE是一个在视频领域表现出色的模型，它通过自监督学习的方式在Something - Something - v2数据集上进行了2400个周期的预训练。该模型能够学习视频的内在表示，为下游任务提取有用特征，在视频分类等领域具有重要价值。

🚀 快速开始

你可以使用这个预训练的VideoMAE模型进行视频掩码块的像素值预测，不过它主要还是用于在下游任务中进行微调。你可以在模型中心中寻找针对你感兴趣任务的微调版本。

✨ 主要特性

• 扩展自MAE：VideoMAE是掩码自编码器（MAE）在视频领域的扩展，其架构与标准的视觉变换器（ViT）非常相似，顶部添加了解码器用于预测掩码块的像素值。
• 学习视频内在表示：通过预训练，模型学习到视频的内在表示，可用于提取对下游任务有用的特征。例如，在有标签的视频数据集上，可在预训练编码器顶部添加线性层来训练标准分类器。

📚 详细文档

模型描述

VideoMAE将视频以固定大小的块（分辨率为16x16）序列形式输入，这些块经过线性嵌入处理。同时，在序列开头添加[CLS]标记用于分类任务，并在将序列输入到Transformer编码器层之前添加固定的正弦/余弦位置嵌入。

通过预训练，模型学习到视频的内在表示，可用于下游任务。通常在[CLS]标记顶部添加线性层，因为该标记的最后隐藏状态可视为整个视频的表示。

预期用途和局限性

可以使用原始模型预测视频掩码块的像素值，但它主要用于在下游任务中进行微调。

训练数据

（待补充，欢迎提交PR）

训练过程

预处理

（待补充，欢迎提交PR）

预训练

（待补充，欢迎提交PR）

评估结果

（待补充，欢迎提交PR）

💻 使用示例

基础用法

以下是如何使用该模型预测随机掩码块的像素值：

from transformers import VideoMAEFeatureExtractor, VideoMAEForPreTraining
import numpy as np
import torch

num_frames = 16
video = list(np.random.randn(16, 3, 224, 224))

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("MCG-NJU/videomae-base-short-ssv2")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base-short-ssv2")

pixel_values = feature_extractor(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

更多代码示例请参考文档。

📄 许可证

本模型采用CC BY-NC 4.0许可证。

BibTeX引用

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}
}