Video MViT

MViT 模型基于 MViTv2: Improved Multiscale Vision Transformers for Classification and Detection 和 Multiscale Vision Transformers 论文。

模型构建器

以下模型构建器可用于实例化 MViT v1 或 v2 模型，可以带或不带预训练权重。所有模型构建器内部都依赖于 torchvision.models.video.MViT 基类。有关此类的更多详细信息，请参阅源代码。

mvit_v1_b(*[, weights, progress])	从 Multiscale Vision Transformers 构建基础 MViTV1 架构。
mvit_v2_s(*[, weights, progress])	从 Multiscale Vision Transformers 和 MViTv2: Improved Multiscale Vision Transformers for Classification and Detection 构建小型 MViTV2 架构。