Videomae Large Finetuned Kinetics

🚀 VideoMAE（大型模型，在Kinetics - 400上微调）

VideoMAE模型以自监督方式预训练1600个周期，并在Kinetics - 400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](https://github.com/MCG - NJU/VideoMAE)发布。

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

✨ 主要特性

• VideoMAE是Masked Autoencoders (MAE)在视频领域的扩展。模型架构与标准的视觉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）的形式输入模型，这些块经过线性嵌入。此外，在序列开头添加一个[CLS]标记，用于分类任务。在将序列输入Transformer编码器层之前，还会添加固定的正弦/余弦位置嵌入。
• 通过预训练，模型学习到视频的内部表示，可用于提取对下游任务有用的特征。例如，如果有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视为整个视频的表示。

📚 详细文档

预期用途和限制

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

如何使用

以下是如何使用此模型对视频进行分类的示例：

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-large-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-large-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])

更多代码示例，请参考文档。

评估结果

该模型在Kinetics - 400测试集上的top - 1准确率为84.7，top - 5准确率为96.5。

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

此模型遵循CC - BY - NC - 4.0许可证。