VideoMAE（大尺寸模型，仅有预训练）

VideoMAE 模型在Kinetics-400上以自监督方式进行了1600个epoch的预训练。它在 Tong等人的论文 VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training 中首次提出，并在 this repository 中首次发布。

免责声明：发布VideoMAE的团队未为该模型编写模型卡片，因此此模型卡片由Hugging Face团队编写。

模型描述

VideoMAE是 Masked Autoencoders (MAE) 的视频扩展。模型的架构与标准的Vision Transformer（ViT）非常相似，顶部还有一个解码器，用于预测遮罩补丁的像素值。

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，这些补丁是线性嵌入的。在将序列输入到Transformer编码器的层之前，还会添加一个[CLS]标记。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，可以在预训练的编码器之上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预测视频的随机遮罩补丁的像素值，但它主要用于在下游任务上进行微调。请参考 model hub 寻找适合您感兴趣任务的微调版本。

使用方法

这里介绍如何使用这个模型来预测随机遮罩补丁的像素值：

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

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，请参考 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}
}