#X-CLIP

xclip-base-patch32是一个基于CLIP架构的视频语言理解模型，通过Kinetics-400数据集进行全监督训练。该模型支持零样本、少样本及全监督视频分类，以及视频文本检索等任务。在224x224分辨率和每视频8帧的训练条件下，模型在Kinetics-400测试集上达到80.4%的top-1准确率和95.0%的top-5准确率，展现出优秀的视频分类性能。