一、论文简述
链接:原文链接
主要运用原版MAE的不等长的encoder和decoder的部分,并且加入不同的分支进行多任务运用,同时具有分类分支和复原分支两个分支,Loss也由两个部分的loss构成。
二、模型结构
1. Image masking and encoding 图片掩码生成和encoding部分
将图片切分成为不重叠的小部分,将其中的75%部分进行遮罩
2. Reconstruction branch 重建分支
positional embeddings后进行encoding,encoding的卷积层数较深,而在重建过程中生成完整像素时,所用的decoding的卷积层数较浅
3. Classification branch 分类分支
注意分类分支的起点为稀疏图片,并不是用复原后的完整图片,层数由MLP+Batchnorm+ReLu,最后能够得到类别,从而计算
4. Overall objective 总目标函数,总loss
主要分为两个部分loss构成,一个是重建的mask loss,一个是判断图片的类别loss