| Hiera-H (no extra data) |
- Acc@1
- 87.8
|
Hiera: A Hierarchical Vision Transformer without the Bells-and-Whistles
2023-06-01 |
코드 1 · 코드 2 · 코드 3 · 코드 4 |
| EVL (CLIP ViT-L/14@336px, frozen, 32 frames) |
- Acc@1
- 87.7
- Acc@5
- 97.8
|
Frozen CLIP Models are Efficient Video Learners
2022-08-06 |
코드 1 · 코드 2 |
| DualPath w/ ViT-L/14 |
- Acc@1
- 87.7
- Acc@5
- 97.8
|
Dual-path Adaptation from Image to Video Transformers
2023-03-17 |
코드 1 |
| X-CLIP(ViT-L/14, CLIP) |
- Acc@1
- 87.7
- Acc@5
- 97.4
|
Expanding Language-Image Pretrained Models for General Video Recognition
2022-08-04 |
코드 1 · 코드 2 |
| AIM (CLIP ViT-L/14, 32x224) |
- Acc@1
- 87.5
- Acc@5
- 97.7
|
AIM: Adapting Image Models for Efficient Video Action Recognition
2023-02-06 |
코드 1 |
| VideoMAE (no extra data, ViT-H, 32x320x320) |
- Acc@1
- 87.4
- Acc@5
- 97.6
|
VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training
2022-03-23 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 |
| ST-Adapter (ViT-L, CLIP) |
- Acc@1
- 87.2
- Acc@5
- 97.6
|
ST-Adapter: Parameter-Efficient Image-to-Video Transfer Learning
2022-06-27 |
코드 1 |
| ZeroI2V ViT-L/14 |
- Acc@1
- 87.2
- Acc@5
- 97.6
|
ZeroI2V: Zero-Cost Adaptation of Pre-trained Transformers from Image to Video
2023-10-02 |
코드 1 · 코드 2 |
| CoVeR (JFT-3B) |
- Acc@1
- 87.2
- Acc@5
- 97.5
|
Co-training Transformer with Videos and Images Improves Action Recognition
2021-12-14 |
연결 없음 |
| MVD (K400 pretrain, ViT-H, 16x224x224) |
- Acc@1
- 87.2
- Acc@5
- 97.4
|
Masked Video Distillation: Rethinking Masked Feature Modeling for Self-supervised Video Representation Learning
2022-12-08 |
코드 1 · 코드 2 · 코드 3 · 코드 4 |
| mPLUG-2 |
- Acc@1
- 87.1
- Acc@5
- 97.7
|
mPLUG-2: A Modularized Multi-modal Foundation Model Across Text, Image and Video
2023-02-01 |
코드 1 · 코드 2 · 코드 3 · 코드 4 |
| MaskFeat (K600, MViT-L) |
- Acc@1
- 87.0
- Acc@5
- 97.4
|
Masked Feature Prediction for Self-Supervised Visual Pre-Training
2021-12-16 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 |
| VicTR (ViT-L/14) |
- Acc@1
- 87.0
|
VicTR: Video-conditioned Text Representations for Activity Recognition
2023-04-05 |
연결 없음 |
| Video-SwinV2-G (ImageNet-22k and external 70M pretrain) |
- Acc@1
- 86.8
|
Swin Transformer V2: Scaling Up Capacity and Resolution
2021-11-18 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 · 코드 16 · 코드 17 · 코드 18 · 코드 19 · 코드 20 · 코드 21 · 코드 22 · 코드 23 |
| MaskFeat (no extra data, MViT-L) |
- Acc@1
- 86.7
- Acc@5
- 97.3
|
Masked Feature Prediction for Self-Supervised Visual Pre-Training
2021-12-16 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 |
| VideoMAE (no extra data, ViT-H) |
- Acc@1
- 86.6
- Acc@5
- 97.1
|
VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training
2022-03-23 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 |
| MVD (K400 pretrain, ViT-L, 16x224x224) |
- Acc@1
- 86.4
- Acc@5
- 97.0
|
Masked Video Distillation: Rethinking Masked Feature Modeling for Self-supervised Video Representation Learning
2022-12-08 |
코드 1 · 코드 2 · 코드 3 · 코드 4 |
| TAdaConvNeXtV2-B |
- Acc@1
- 86.4
|
Temporally-Adaptive Models for Efficient Video Understanding
2023-08-10 |
코드 1 |
| CoVeR (JFT-300M) |
- Acc@1
- 86.3
- Acc@5
- 97.2
|
Co-training Transformer with Videos and Images Improves Action Recognition
2021-12-14 |
연결 없음 |
| VideoMAE (no extra data, ViT-L, 32x320x320) |
- Acc@1
- 86.1
- Acc@5
- 97.3
|
VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training
2022-03-23 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 |
| MViTv2-L (ImageNet-21k pretrain) |
- Acc@1
- 86.1
- Acc@5
- 97.0
|
MViTv2: Improved Multiscale Vision Transformers for Classification and Detection
2021-12-02 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 |
| ILA (ViT-B/16) |
- Acc@1
- 85.7
- Acc@5
- 97.2
|
Implicit Temporal Modeling with Learnable Alignment for Video Recognition
2023-04-20 |
코드 1 |
| DualPath w/ ViT-B/16 |
- Acc@1
- 85.4
- Acc@5
- 97.1
|
Dual-path Adaptation from Image to Video Transformers
2023-03-17 |
코드 1 |
| TokenLearner 16at18 (L/10) |
- Acc@1
- 85.4
|
TokenLearner: What Can 8 Learned Tokens Do for Images and Videos?
2021-06-21 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 |
| MAR (50% mask, ViT-L, 16x4) |
- Acc@1
- 85.3
- Acc@5
- 96.3
|
MAR: Masked Autoencoders for Efficient Action Recognition
2022-07-24 |
코드 1 |
| CAST(ViT-B/16) |
- Acc@1
- 85.3
|
CAST: Cross-Attention in Space and Time for Video Action Recognition
2023-11-30 |
코드 1 |
| VideoMAE (no extra data, ViT-L, 16x4) |
- Acc@1
- 85.2
- Acc@5
- 96.8
|
VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training
2022-03-23 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 |
| ViC-MAE (ViT-L) |
- Acc@1
- 85.1
|
ViC-MAE: Self-Supervised Representation Learning from Images and Video with Contrastive Masked Autoencoders
2023-03-21 |
코드 1 · 코드 2 |
| VideoMamba-M800 |
- Acc@1
- 85.0
|
VideoMamba: State Space Model for Efficient Video Understanding
2024-03-11 |
코드 1 · 코드 2 |
| Swin-L (384x384, ImageNet-21k pretrain) |
- Acc@1
- 84.9
- Acc@5
- 96.7
|
Video Swin Transformer
2021-06-24 |
코드 1 · 코드 2 · 코드 3 · 코드 4 · 코드 5 · 코드 6 · 코드 7 · 코드 8 · 코드 9 · 코드 10 · 코드 11 · 코드 12 · 코드 13 · 코드 14 · 코드 15 |