# 动作识别

基于MCG-NJU/videomae-base微调的视频理解模型，在评估集上表现一般（准确率50%）

基于MCG-NJU/videomae-base微调的视频理解模型，在未知数据集上训练，准确率为11.1%

基于MCG-NJU/videomae-base微调的视频理解模型，在未知数据集上进行了训练

基于Google Vision Transformer (ViT)微调的手语分类模型，准确率达80.56%

基于VideoMAE基础模型在未知视频数据集上微调的视觉模型，主要用于视频理解任务，在评估集上达到85.59%的准确率。

VideoMAE是基于掩码自编码器(MAE)的视频预训练模型，通过自监督学习在Kinetics-400数据集上微调，适用于视频分类任务。

基于MCG-NJU/videomae-base在未知数据集上微调的视频理解模型，F1分数达到0.7147

TimeSformer是一种基于空间-时间注意力机制的视频理解模型，在Kinetics-400数据集上进行了预训练和微调。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，支持视频分类和视频-文本检索任务。

X-CLIP是CLIP的扩展版本，用于通用视频-语言理解，通过对比学习在视频和文本对上训练，适用于视频分类和视频-文本检索任务。

X-CLIP是CLIP的极简扩展，用于通用视频语言理解，通过(视频，文本)对的对比方式进行训练。

X-CLIP是CLIP的扩展版本，用于通用视频语言理解，通过对比学习在视频和文本对上训练，支持零样本、少样本和全监督的视频分类任务。

该模型是基于google/vit-base-patch16-224-in21k在Human_Action_Recognition数据集上微调的图像分类模型，准确率达到93.84%。

VideoMAE是基于掩码自编码器(MAE)的视频自监督预训练模型，在Something-Something-v2数据集上微调用于视频分类任务。

VideoMAE是基于掩码自编码器(MAE)的视频自监督预训练模型，在Kinetics-400数据集上微调后可用于视频分类任务。

基于CNN-RNN混合架构的视频分类模型，用于动作识别任务