VideoMAE（大尺寸模型，仅预训练）

VideoMAE 模型是在 Kinetics-400 数据集上以自监督方式预训练了 1600 个 epoch。它由 Tong 等人在论文《VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training》（https://arxiv.org/abs/2203.12602）中提出，并首次在 this repository 发布。

免责声明：发布 VideoMAE 的团队未为此模型编写模型卡片，因此本模型卡片由 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，顶部设有一个解码器，用于预测被掩码 patch 的像素值。

视频以固定大小的 patch 序列（分辨率 16x16）形式输入模型，这些 patch 经过线性嵌入。在序列开头还会添加一个 [CLS] 标记，以便用于分类任务。在将序列输入 Transformer 编码器的各层之前，还会添加固定的正弦/余弦位置嵌入。

通过预训练模型，它学习视频的内部表示，然后可用于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，你可以在预训练编码器的顶部放置一个线性层来训练标准分类器。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看作是整个视频的表示。

预期用途和限制

你可以使用原始模型来预测视频中被掩码 patch 的像素值，但它主要旨在针对下游任务进行微调。请参阅 model hub，查找你感兴趣的任务上的微调版本。

使用方法

以下是如何使用此模型预测随机掩码 patch 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

如需更多代码示例，请参考文档。

训练数据

（待补充，欢迎提交PR）

训练流程

预处理

（待补充，欢迎提交PR）

预训练

（待补充，欢迎提交PR）

评估结果

（待补充，欢迎提交PR）

BibTeX条目及引用信息

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}
}

VideoMAE（大尺寸模型，仅预训练）

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

模型描述

预期用途和限制

你可以使用原始模型来预测视频中被掩码 patch 的像素值，但它主要旨在针对下游任务进行微调。请参阅 model hub，查找你感兴趣的任务上的微调版本。

使用方法

以下是如何使用此模型预测随机掩码 patch 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

如需更多代码示例，请参考文档。

评估结果

（待补充，欢迎提交PR）

BibTeX条目及引用信息

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}
}