视频MAE（基准大小模型，仅经过预训练）

VideoMAE模型在Kinetics-400上进行了800个时期的自监督预训练。它在Tong等人的论文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training 中介绍，并首次发布于 this repository 。

免责声明：发布VideoMAE的团队未对该模型撰写模型卡片，因此此模型卡片由Hugging Face团队撰写。

模型描述

VideoMAE是对 Masked Autoencoders (MAE) 进行了视频扩展的模型。该模型的结构非常类似于标准的Vision Transformer（ViT），顶部还增加了一个解码器，用于预测掩码补丁的像素值。

视频以一系列固定大小的补丁（分辨率为16x16）的形式呈现给模型，这些补丁经过线性嵌入。还在序列开始处添加了一个[CLS]标记，以用于分类任务。在将序列馈送到Transformer编码器的层之前，还添加了固定的正弦/余弦位置嵌入。

通过预训练模型，它学习到视频的内部表示，然后可以用于提取对下游任务有用的特征：例如，如果您有一个带标签的视频数据集，可以在预训练编码器的顶部放置一个线性层来训练一个标准分类器。通常会在[CLS]标记的顶部放置一个线性层，因为该标记的最后一个隐藏状态可以看作是整个视频的表示。

预期用途和局限性

您可以使用原始模型来预测视频中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。请参阅 model hub ，以查找对您感兴趣的任务进行微调的版本。

使用方法

以下是使用此模型预测随机掩码补丁的像素值的方法：

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

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

（待定，欢迎提交PR）

训练过程

预处理

（待定，欢迎提交PR）

预训练

（待定，欢迎提交PR）

评估结果

（待定，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}
}