Maskerade autoenkodrar
Maskerade autoenkodrar (MAE) är en självövervakad inlärningsmetod som introducerades av He et al. 2021, vilken maskerar slumpmässiga bildsegment (patches) och tränar en modell att rekonstruera det saknade innehållet. Genom att anpassa paradigmet för maskerad språkmodellering från NLP till vision, lär sig MAE rika visuella representationer genom att lösa en utmanande rekonstruktionsuppgift utan behov av etiketter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
+2 till
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Masked Autoencoders are Scalable Vision Learners. ScholarGate. https://scholargate.app/sv/deep-learning/masked-autoencoders
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Latent Diffusion ModelsDjupinlärning↔ jämför
- SimCLRDjupinlärning↔ jämför
- Swin TransformerDjupinlärning↔ jämför
- Vision TransformerDjupinlärning↔ jämför
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →