ArticleMetadataMain page

source · 2026-04-25

VideoMAE（NeurIPS 2022 / arXiv）：VideoMAE 用 masked autoencoding 做视频自监督预训练，强调数据效率。

#near-cvpr-2025#video-understanding#representation-learning#primary-source

VideoMAE（NeurIPS 2022 / arXiv）：VideoMAE 用 masked autoencoding 做视频自监督预训练，强调数据效率。

资料来源：NeurIPS 2022 / arXiv
发表 / 发布日期：2022-03-01
资料加入日期：2026-04-25

一句话结论

VideoMAE 用 masked autoencoding 做视频自监督预训练，强调数据效率。

资料定位

这是从体育机器视觉文献清单中拆出的独立来源。当前 first-pass 编译先把它放进 raw/source 证据层，后续可按重要性升级为深分析笔记。

对体育 AI 子线的价值

它支撑体育 AI 中少标注、昂贵标注场景下的自监督预训练路线。

局限或疑问

  • 当前是 bibliography-driven first-pass source note，优先保证来源可追溯和方向定位。
  • 重要 paper 后续应补 analysis.md、关键图页、实验设置和指标细节。

原始材料

  • raw/ingest/2026-04-25-videomae/source.md
  • raw/ingest/2026-04-25-videomae/paper-text.md
  • raw/ingest/2026-04-25-videomae/links.yaml

相关页面

Metadata

{
  "id": "2026-04-25-videomae",
  "type": "source",
  "title": "VideoMAE（NeurIPS 2022 / arXiv）：VideoMAE 用 masked autoencoding 做视频自监督预训练，强调数据效率。",
  "status": "reviewed",
  "created": "2026-04-25",
  "updated": "2026-04-25",
  "venue": "NeurIPS 2022 / arXiv",
  "published_at": "2022-03-01",
  "ingested_at": "2026-04-25",
  "tags": [
    "near-cvpr-2025",
    "video-understanding",
    "representation-learning",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [],
  "canonical_links": [
    "https://arxiv.org/abs/2203.12602"
  ],
  "raw_entry": "raw/ingest/2026-04-25-videomae/",
  "topics": [
    "topics/sports-ai-video-understanding",
    "topics/sports-ai-roadmap",
    "topics/video-understanding"
  ],
  "entities": [
    "entities/sportsmot"
  ],
  "claims": [],
  "questions": []
}