Videomae Base

🚀 VideoMAE（基础大小模型，仅预训练）

VideoMAE是一个在Kinetics - 400数据集上以自监督方式预训练1600个轮次的模型。它由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。

免责声明：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。

🚀 快速开始

本模型主要用于视频领域的相关任务，通过自监督预训练学习视频的内在表示，可用于下游任务的特征提取。以下将详细介绍其使用方法和相关特性。

✨ 主要特性

模型架构

VideoMAE是Masked Autoencoders (MAE)在视频领域的扩展。其架构与标准的视觉变换器（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。

输入处理

视频以固定大小的块序列（分辨率为16x16）的形式输入到模型中，这些块会进行线性嵌入。同时，会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。

预训练优势

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，如果你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视为整个视频的表示。

📚 详细文档

预期用途和限制

你可以使用原始模型来预测视频掩码块的像素值，但它主要用于在下游任务上进行微调。你可以查看模型中心，寻找针对你感兴趣任务的微调版本。

使用方法

以下是如何使用此模型预测随机掩码块的像素值：

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

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

processor = VideoMAEImageProcessor.from_pretrained("MCG-NJU/videomae-base")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base")

pixel_values = processor(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}
}