VideoMAE（基于基准尺寸模型，在Something-Something-v2上经过微调）

VideoMAE模型以自监督方式预训练了2400个时期，并在Something-Something-v2上进行了监督微调。它是由Tong等人在论文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training 中提出的，并于 this repository 首次发布。

免责声明：发布VideoMAE的团队没有为这个模型编写模型卡片，因此这个模型卡片是由Hugging Face团队编写的。

模型描述

VideoMAE是对 Masked Autoencoders (MAE) 在视频领域的扩展。该模型的架构与标准视觉转换器（ViT）非常相似，顶部有一个解码器用于预测掩码补丁的像素值。

视频被呈现给模型作为一系列固定大小的补丁（分辨率为16x16），这些补丁被线性嵌入。在将序列提供给Transformer编码器的层之前，还会添加一个[CLS]标记。在提供序列之前，还会添加固定的正弦/余弦位置嵌入。

通过预训练模型，它学习了视频的内部表示，然后可以用来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，可以在预训练编码器之上放置一个线性层来训练一个标准分类器。通常将线性层放在[CLS]标记的上方，因为该标记的最后隐藏状态可以被视为整个视频的表示。

预期用途和限制

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

如何使用

这是使用此模型对视频进行分类的方法：

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])

对于更多的代码示例，我们参考 documentation 。

训练数据

（待办事项，请随时打开PR）

训练过程

预处理

（待办事项，请随时打开PR）

预训练

（待办事项，请随时打开PR）

评估结果

该模型在Something-Something-v2的测试集上获得了70.6的Top-1准确率和92.6的Top-5准确率。

BibTeX条目和引用信息

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}
}