Genel Bakış
Maskeli Otomatik Kodlayıcılar (MAE), resmin büyük kısmı gizlendikten sonra görüntüleri yeniden yapılandırmak için görme modelini öğreten, kendi kendini denetleyen bir yöntemdir. Model, boşlukları doldurmayı öğrenerek herhangi bir insan etiketi olmaksızın zengin bir görsel anlayış oluşturur.
Maskeli Otomatik Kodlayıcılar, analiz, operasyonlar ve yaratıcılık için görsel medyayı yorumlayan veya oluşturan bilgisayarlı görüntü iş akışlarına aittir.
Derin Dalış
Kaiming He ve Meta AI'deki meslektaşları tarafından 2021'de tanıtılan Maskeli Otomatik Kodlayıcılar, bir görüntüyü alıp onu küçük parçalara böler ve bunların çok büyük bir kısmını, genellikle %75'ini rastgele gizler. Vision Transformer kodlayıcı yalnızca görünür parçaları işlerken, hafif kod çözücü eksik olanların orijinal piksellerini yeniden oluşturmaya çalışır. Çok fazla şey gizli olduğundan, model yakındaki pikselleri kolayca kopyalayamaz ve şekiller ve nesne parçaları gibi anlamlı yapıları öğrenmesi gerekir. Kodlayıcının maskelenmiş yamaları atlaması, eğitimi hızlı ve hafıza açısından verimli hale getirir. Ön eğitimden sonra kod çözücü atılır ve kodlayıcı güçlü bir şekilde sınıflandırma, tespit ve bölümleme görevlerine aktarılır.
Teknik Bilgi
İşin püf noktası asimetridir: Ağır kodlayıcı yamaların yalnızca maskesiz %25'ini görür, küçük kod çözücü ise geri kalanını yeniden oluşturur. Yamalar düzleştirilir, doğrusal olarak gömülür ve konumsal kodlamalar verilir. Yeniden yapılandırma kaybı, yalnızca maskelenmiş yamalarda, tipik olarak normalleştirilmiş piksel değerlerinde hesaplanan ortalama karesel hatadır. Yüksek maskeleme oranları, düşük seviyeli enterpolasyon yerine anlamsal öğrenmeyi zorlar ve kodlayıcı kesimlerinde maskelenmiş belirteçlerin atlanması, tam görüntünün işlenmesi yerine dramatik bir şekilde hesaplama yapılmasını sağlar.
Maskelenmiş Otomatik Kodlayıcılarda Uzmanlaşma
Maskeli Otomatik Kodlayıcılar (MAE), resmin büyük kısmı gizlendikten sonra görüntüleri yeniden yapılandırmak için görme modelini öğreten, kendi kendini denetleyen bir yöntemdir. Model, boşlukları doldurmayı öğrenerek herhangi bir insan etiketi olmaksızın zengin bir görsel anlayış oluşturur. Maskeli Otomatik Kodlayıcılar, analiz, operasyonlar ve yaratıcılık için görsel medyayı yorumlayan veya oluşturan bilgisayarlı görüntü iş akışlarına aittir. Derin bir anlayış oluşturmak için, Maskeli Otomatik Kodlayıcıları tek bir özellik olarak değil, bir işletim modeli olarak ele alın: istenen sonuçları tanımlayın, varsayımları netleştirin ve sistemin güvenilir bir şekilde yapabileceklerini hâlâ uzman görüşü gerektiren şeylerden ayırın.
Uygulamada, Maskeli Otomatik Kodlayıcıları kullanan güçlü ekipler, doğruluğu veri kalitesi, aydınlatma farklılığı ve etiketleme tutarlılığı gibi operasyonel gerçeklerle dengeler. Açık başarı kriterlerini belgeliyorlar, gerçekçi verilere ve iş akışlarına göre test ediyorlar ve tek seferlik kıyaslama kazanımları yerine gözlemlenen başarısızlık modellerine dayalı olarak yineleniyorlar. Burası teorik anlayışın ürün, politika ve operasyonlar genelinde dayanıklı yeteneğe dönüştüğü yerdir.
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir. Aynı zamanda, görsel hakları ve rıza, kaynağın belirsiz olması durumunda yasal riskler haline gelebilir. En dayanıklı yaklaşım, deneme hızını yönetişim disiplini ile birleştirmektir: pilot uygulamaları çalıştırın, kanıtları toplayın, karar günlüklerini yayınlayın ve model davranışı, kullanıcı beklentileri ve düzenleyici gereksinimler geliştikçe koruma önlemlerini sürekli olarak güncelleyin.
Stratejik Etki
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir. Yüksek kaliteli dağıtımlarda bu, ölçülebilir işletim kurallarına, sahiplik sınırlarına ve yinelenen inceleme ritüellerine dönüştürülür, böylece ekipler belirsizliği ölçeklendirmek yerine güveni ölçeklendirebilir.
Gerçek Dünya Uygulaması
Milyonlarca etiketsiz fotoğraf üzerinde Vision Transformer'ı önceden eğitme ve ardından güçlü bir doğrulukla ImageNet sınıflandırması için ince ayar yapma
Uzman açıklamasının pahalı ve sınırlı olduğu etiketlenmemiş tıbbi taramalardan (X-ışınları, MRI'lar) öğrenme özellikleri
Eylem tanıma modellerini önceden eğitmek için uzay-zaman yamalarını maskeleyerek yöntemi videoya uyarlama (VideoMAE)
Arazi kullanımı haritalandırmasını ve manuel etiketler olmadan değişiklik tespitini desteklemek için uydu ve hava görüntüleri üzerine ön eğitim
Uygulama Modelleri
Uygulamada maskelenmiş Otomatik Kodlayıcılar
Milyonlarca etiketsiz fotoğraf üzerinde Vision Transformer'ı önceden eğitmek ve ardından güçlü bir doğrulukla ImageNet sınıflandırması için ince ayar yapmak.
Milyonlarca etiketlenmemiş fotoğraf üzerinde Vision Transformer'ı önceden eğitmek ve ardından güçlü bir doğrulukla ImageNet sınıflandırması için ince ayar yapmak Ekipler genellikle kalite eşiklerini önceden tanımladıklarında, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Uygulamada maskelenmiş Otomatik Kodlayıcılar
Uzman açıklamasının pahalı ve sınırlı olduğu etiketlenmemiş tıbbi taramalardan (X-ışınları, MRI'lar) öğrenme özellikleri.
Uzman açıklamasının pahalı ve sınırlı olduğu etiketlenmemiş tıbbi taramalardan (X-ışınları, MRI'lar) öğrenme özellikleri Ekipler, kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde genellikle daha iyi sonuçlar elde ederler.
Uygulamada maskelenmiş Otomatik Kodlayıcılar
Eylem tanıma modellerini (VideoMAE) önceden eğitmek için uzay-zaman yamalarını maskeleyerek yöntemi videoya uyarlama.
Eylem tanıma modellerini (VideoMAE) önceden eğitmek için uzay-zaman yamalarını maskeleyerek yöntemi videoya uyarlama Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolunu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini izlediklerinde daha iyi sonuçlar elde ederler.
Uygulamada maskelenmiş Otomatik Kodlayıcılar
Arazi kullanımı haritalamayı ve manuel etiketler olmadan değişiklik tespitini desteklemek için uydu ve hava görüntüleri üzerine ön eğitim.
Arazi kullanımı haritalamasını ve manuel etiketler olmadan değişiklik tespitini desteklemek için uydu ve hava görüntüleri üzerinde ön eğitim Ekipler genellikle kalite eşiklerini önceden belirlediklerinde, uç durumlar için insani bir yükseltme yolu tuttuklarında ve zaman içinde hem üretkenlik kazanımlarını hem de hata maliyetlerini takip ettiklerinde daha iyi sonuçlar elde ederler.
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Gerçek üretim koşullarıyla eşleşen verilerle test edin. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın. Her adımı bir kanıt kapısı olarak değerlendirin: Kriterler karşılanmazsa, kullanıma sunumu duraklatın, boşluğu kapatın ve ancak bundan sonra kullanımı genişletin.