ViT（Vision transformer）可以作为目标检测的骨干网络
通过Masking的FLIP是一种简单且高效训练CLIP的方法，在训练过程中随机去除了大量图像补丁
使用标准ViT模型作为Mask R-CNN的骨干，克服了结构不兼容，训练速度慢，内存消耗高，训练公式未知等困难
掩码自编码器(MAE)在概念上的简单扩展到基于视频的时空表征学习。
我们发现我们的MAE方法可以在几乎没有时空归纳偏差的情况下学习强表示(除了补丁和位置嵌入)，并且时空不可知的随机掩蔽表现最好
MAE是一种可扩展的计算机视觉自监督学习器
方法很简单：对输入图像随机patch进行mask，并重建缺失的pixels
评论
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
