s3d

torchvision.models.video.s3d(*, weights: Optional[S3D_Weights] = None, progress: bool = True, **kwargs: Any) → S3D

构建可分离的 3D CNN 模型。

参考：重新思考时空特征学习。

警告

视频模块处于测试阶段，向后兼容性不受保证。

参数：:

• weights (S3D_Weights，可选) – 要使用的预训练权重。有关详细信息和可能的取值，请参阅下面的 S3D_Weights。默认情况下，不使用预训练权重。

• progress (bool) – 如果为 True，则在 stderr 中显示下载进度条。默认为 True。

• **kwargs – 传递给 torchvision.models.video.S3D 基类的参数。有关此类的更多详细信息，请参阅 源代码。

class torchvision.models.video.S3D_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。 S3D_Weights.DEFAULT 等效于 S3D_Weights.KINETICS400_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='KINETICS400_V1'。

S3D_Weights.KINETICS400_V1:

这些权重旨在近似于论文的准确性。准确性是在剪辑级别估计的，参数为 frame_rate=15、clips_per_video=1 和 clip_len=128。也可以作为 S3D_Weights.DEFAULT 使用。

acc@1 (在 Kinetics-400 上)	68.368
acc@5 (在 Kinetics-400 上)	88.05
最小尺寸	height=224，width=224
最小时间尺寸	14
类别	绳索下降、空中击鼓、回答问题、…（省略 397 个）
配方	链接
参数数量	8320048
GFLOPS	17.98
文件大小	32.0 MB

推理变换在 S3D_Weights.KINETICS400_V1.transforms 中可用，并执行以下预处理操作：接受批处理 (B, T, C, H, W) 和单个 (T, C, H, W) 视频帧 torch.Tensor 对象。使用 interpolation=InterpolationMode.BILINEAR 将帧调整为 resize_size=[256, 256]，然后进行 crop_size=[224, 224] 的中心裁剪。最后，值首先重新缩放到 [0.0, 1.0]，然后使用 mean=[0.43216, 0.394666, 0.37645] 和 std=[0.22803, 0.22145, 0.216989] 进行归一化。最后，输出维度被置换为 (..., C, T, H, W) 张量。