CLIP模型（一）

一、概念

Contrastive Language-Image Pre-Training(利用文本的监督信息训练一个迁移能力强的视觉模型)

CLIP任务：

CLIP在完全不使用ImageNet中所有数据训练的前提下

直接Zero-shot得到的结果与Resnet在128W Imagenet数据局训练后效果一样

现在CLIP下游任务已经很多了，GAN、检测、分割、检索等都能玩

如何训练模型：

如何进行推理：

ActionCLIP：

1. 视频分类，行为识别也类似
2. 其实本质也是构建特征提取器
3. 同样是zero-shot来预测

CLIP-Event：