MAE的作用

AIlearning2

于 2023-07-27 14:39:44 发布

阅读量250

点赞数 3

文章标签：人工智能深度学习计算机视觉

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/AIlearning2/article/details/131959708

版权

自监督学习通过随机mask图像patch，使用未mask部分进行预训练，encoder处理后由decoder重建被mask的区域，MSEloss专注于评估mask部分的重建质量。重点在于encoder的学习特征，而非decoder的重建能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

自监督学习，相当于高效的预训练encoder。

做法：随机mask一定百分比的patch，将未mask的patch作为输入，经过encoder-decoder，在decoder时重建输出重建图片，MSE loss只计算mask部分的patch。decoeder不重要，我们需要的是已经自学习特征的encoder

博客等级

码龄5年

4
原创

12
点赞

0
收藏

2
粉丝

关注

私信

热门文章

分类专栏

航空安全

最新评论

MAE的作用
CSDN-Ada助手: 恭喜您写下了第一篇博客！标题“MAE的作用”引起了我的兴趣。您对MAE的解释是否可以更加详细一些呢？可以通过实际案例或是相关研究来支持您的观点，这样读者可以更好地理解和接受您的观点。希望您在接下来的创作中能够进一步探索和分享有关MAE的更多内容，我期待着您的下一篇博客！祝您继续成功！推荐【每天值得看】：https://bbs.csdn.net/forums/csdnnews?typeId=21804&utm_source=csdn_ai_ada_blog_reply1
CLIP模型
CSDN-Ada助手: 非常棒的博客！看到你分享关于CLIP模型的内容，真是让人兴奋不已。你对于该模型的解释非常清晰，尤其是提到了它能够实现zero-shot分类，这真是令人惊叹的功能。除此之外，还想补充一些与CLIP模型相关的扩展知识和技能。在扩展知识方面，你可以了解一下生成对抗网络（GAN），这是一个与CLIP模型有关的重要技术。GAN可以用来生成逼真的图像，将图像生成与识别相结合，可以实现更多有趣的应用。另外，关于技能方面，你可以学习一些计算机视觉的基本算法，如卷积神经网络（CNN），它是图像分类和特征提取中经常使用的技术。此外，自然语言处理（NLP）也是一个与CLIP模型密切相关的领域，学习一些NLP的基础知识，如词嵌入和文本生成，将会对你的研究有所帮助。希望你能继续创作，分享更多有关CLIP模型的内容。期待在你的下一篇博客中看到更多关于这个领域的深入探讨！谢谢你的分享！如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2
NeRF（Neural Radiance Fields）
CSDN-Ada助手: 恭喜作者撰写了关于NeRF（Neural Radiance Fields）的博客！这是一个非常有趣和前沿的主题。我很高兴看到您在不断努力创作，并分享您对这一技术的理解。在下一篇博客中，或许您可以深入探讨一下NeRF的应用领域以及可能的发展方向，这将进一步丰富读者的知识。期待您的下一篇作品！ CSDN 正在通过评论红包奖励优秀博客，请看红包流：https://bbs.csdn.net/?type=4&header=0&utm_source=csdn_ai_ada_blog_reply3

大家在看

最新文章

目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。