Machine learningDeep Learning, Self-Supervised Learning

掩码自编码器

掩码自编码器（MAE）是He等人于2021年提出的一种自监督学习方法，它掩盖图像的随机块，并训练模型重建缺失的内容。MAE将自然语言处理（NLP）中的掩码语言建模范式应用于视觉领域，通过解决具有挑战性的重建任务来学习丰富的视觉表示，而无需标签。

在 MethodMind 中打开即将推出视频即将推出Download slides

阅读完整方法

仅限会员

使用免费账户登录即可阅读本节。

Method map

The neighbourhood of related methods — select a node to explore.

掩码自编码器

潜在扩散模型 SimCLR Swin Transformer Vision Transformer DETR（检测变换器）直接偏好优化 GraphRAG Kolmogorov-Arnold Networ…Mamba（状态空间模型）神经辐射场 (NeRF)

+2 more

来源

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 ↗

如何引用本页

ScholarGate. (2026, June 3). Masked Autoencoders are Scalable Vision Learners. ScholarGate. https://scholargate.app/zh/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.

Compare side by side →

被引用于

DETR（检测变换器）直接偏好优化 GraphRAG Kolmogorov-Arnold Networks 潜在扩散模型 Mamba（状态空间模型）神经辐射场 (NeRF)QLoRA Segment Anything Model SimCLR Swin Transformer

发现本页有问题？报告或提出修改建议 →

阅读完整方法

Method map

来源

如何引用本页

相关方法

Which method?

被引用于