Autoencodeurs masqués
Les autoencodeurs masqués (MAE) sont une approche d'apprentissage auto-supervisé introduite par He et al. en 2021, qui masque des patchs aléatoires d'une image et entraîne un modèle à reconstruire le contenu manquant. En adaptant le paradigme de modélisation de langage masqué du NLP à la vision, MAE apprend des représentations visuelles riches en résolvant une tâche de reconstruction difficile sans nécessiter d'étiquettes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sources
- He, K., Chen, X., Xie, S., Li, Y., Dollár, P., & Girshick, R. (2022). Masked autoencoders are scalable vision learners. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 16000-16009). DOI: 10.1109/CVPR52688.2022.01553 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Masked Autoencoders are Scalable Vision Learners. ScholarGate. https://scholargate.app/fr/deep-learning/masked-autoencoders
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Modèles de Diffusion LatenteApprentissage profond↔ compare
- SimCLRApprentissage profond↔ compare
- Swin TransformerApprentissage profond↔ compare
- Vision TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →