VideoMAE (基于基本尺寸的模型，仅预训练)

VideoMAE模型在Something-Something-v2上进行了800个时期的自监督预训练。它是由Tong等人在 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的团队没有为此模型编写模型卡，因此这个模型卡是由Hugging Face团队编写的。

模型描述

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

将视频以固定大小的补丁序列(分辨率为16x16)的形式呈现给模型，这些补丁会进行线性嵌入。还可以在序列之前添加一个[CLS]令牌，以便在分类任务中使用它。在将序列输入到Transformer编码器的层之前，还要添加固定的正弦/余弦位置嵌入。

通过预训练模型，它学习了视频的内部表示，然后可以用于提取用于下游任务的特征：例如，如果你有一个带有标签的视频数据集，可以在预训练的编码器的顶部放置一个线性层来训练一个标准的分类器。通常在[CLS]令牌的顶部放置一个线性层，因为该令牌的最后隐藏状态可以看作是整个视频的表示。

意图使用和限制

您可以使用原始模型来预测视频的随机掩码补丁的像素值，但它主要用于在下游任务上进行微调。查看 model hub 以查找您感兴趣的任务的微调版本。

如何使用

下面是如何使用此模型来预测随机掩码补丁的像素值：

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-short-ssv2")
model = VideoMAEForPreTraining.from_pretrained("MCG-NJU/videomae-base-short-ssv2")

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

有关更多代码示例，请参阅 documentation 。

训练数据

(待完成，随时欢迎提交 PR)

训练过程

预处理

(待完成，随时欢迎提交 PR)

预训练

(待完成，随时欢迎提交 PR)

评估结果

(待完成，随时欢迎提交 PR)

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}
}