jepa

收录理由

Meta FAIR 官方发布的 V-JEPA 代码库，核心思路是让模型通过观看无标注视频来学习视觉表征。它不走像素重建的老路，而是在潜在空间里预测视频中缺失的时空区域，训练过程完全不依赖文本、人工标注、负样本或像素级重构。训练好的 ViT 骨干网络可以直接冻结使用，迁移到视频和图像两类任务上，配上轻量级的 attentive probe，在 Kinetics-400、Something-Something-v2 和 ImageNet 上都能拿到不错的结果。如果你的工作涉及标注数据稀缺的视频理解，仓库里附带的 ViT-Large 和 ViT-Huge 预训练权重以及评估脚本可以省去不少从头训练的功夫。整体是面向研究复现的工程实现，采用配置驱动的 PyTorch 训练流程，数据以 CSV 格式组织，并非开箱即用的推理服务。