VideoMAE (基于原始尺寸的模型， 在Kinetics-400上进行微调)

VideoMAE 模型以自监督的方式进行了800个时期的预训练，并在 Kinetics-400 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，并在 this repository 中首次发布。

免责声明：发布 VideoMAE 的团队并未为此模型编写模型卡片，因此该模型卡片由 Hugging Face 团队编写。

模型描述

VideoMAE 是 Masked Autoencoders (MAE) 在视频领域的扩展。该模型的架构与标准的 Vision Transformer（ViT）非常相似，顶部有一个解码器，用于预测被掩蔽的补丁的像素值。

视频被呈现给模型作为一系列固定尺寸的补丁（分辨率为16x16），这些补丁被线性嵌入。在序列的开头还添加了一个[CLS]标记，用于分类任务。还在将序列输入 Transformer 编码器的层之前添加了固定的正弦/余弦位置嵌入。

通过预训练模型，它学习了视频的内部表示，然后可以用于提取在下游任务中有用的特征：例如，如果您有一个带有标签的视频数据集，可以在预训练的编码器上方放置一个线性层来训练标准分类器。通常将线性层放置在[CLS]标记上，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对视频进行分类，将其分为400个可能的 Kinetics-400 标签之一。

如何使用

这里是如何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-short-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-short-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])

有关更多代码示例，请参阅 documentation 。

训练数据

(待办事项，欢迎提交PR)

训练过程

预处理

(待办事项，欢迎提交PR)

预训练

(待办事项，欢迎提交PR)

评估结果

此模型在 Kinetics-400 的测试集上获得了79.4的 top-1 准确率和94.1的 top-5 准确率。

BibTeX 输入和引用信息

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}
}