เปรียบเทียบวิธี

	Masked Autoencoders	วิชันทรานส์ฟอร์มเมอร์
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2021	2021
ผู้ริเริ่ม	Kaiming He	Dosovitskiy, A. et al.
ประเภท	Neural network architecture	Transformer architecture for images (self-attention over patches)
แหล่งต้นตำรับ	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).	Dosovitskiy, A. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR.
ชื่อเรียกอื่น	MAE, Vision MAE	Görsel Transformer (ViT), görsel transformer, ViT, patch transformer for images
ที่เกี่ยวข้อง	4	5
สรุป	Masked Autoencoders (MAE) is a self-supervised learning approach introduced by He et al. in 2021 that masks random patches of an image and trains a model to reconstruct the missing content. Adapting the masked language modeling paradigm from NLP to vision, MAE learns rich visual representations by solving a challenging reconstruction task without requiring labels.	The Vision Transformer (ViT), introduced by Dosovitskiy and colleagues in 2021, splits an image into fixed-size patches, treats those patches as a sequence, and applies the Transformer self-attention mechanism to image classification. Given enough training data, it surpasses convolutional neural networks (CNNs).