有任何的书写错误、排版错误、概念错误等,希望大家包含指正。
在阅读本篇之前建议先学习:
【自然语言处理】Transformer 讲解
【自然语言处理】BERT 讲解
【计算机视觉】ViT:Vision Transformer 讲解
由于暂时不了解 BEiT、dVAE 和 DALLE,所以本文没有介绍论文中关于三者的内容。
MAE
1. 模型概述
何恺明提出了一种以编码器模型为骨架(backbone)、以自然语言模型 BERT 中完形填空(MLM)为学习策略的一种用于计算机视觉任务的可扩展(规模可变)的自监督学习模型 Masked AutoEncoders(MAE