Tổng quan
Bộ mã hóa tự động đeo mặt nạ (MAE) là một phương pháp tự giám sát giúp dạy mô hình thị giác tái tạo lại hình ảnh sau khi hầu hết hình ảnh đã bị ẩn. Bằng cách học cách điền vào chỗ trống, mô hình sẽ xây dựng sự hiểu biết trực quan phong phú mà không cần bất kỳ nhãn hiệu nào của con người.
Bộ mã hóa tự động đeo mặt nạ thuộc về quy trình công việc thị giác máy tính giúp diễn giải hoặc tạo phương tiện trực quan để phân tích, vận hành và sáng tạo.
Lặn sâu
Bộ mã hóa tự động đeo mặt nạ, được Kaiming He và các đồng nghiệp tại Meta AI giới thiệu vào năm 2021, chụp ảnh, chia thành các mảng nhỏ và ẩn ngẫu nhiên một phần rất lớn trong số đó, thường là 75%. Bộ mã hóa Vision Transformer chỉ xử lý các mảng có thể nhìn thấy được, trong khi bộ giải mã nhẹ cố gắng tái tạo lại các pixel gốc của các pixel bị thiếu. Vì có quá nhiều thứ bị ẩn nên mô hình không thể đơn giản sao chép các pixel lân cận mà phải tìm hiểu cấu trúc có ý nghĩa, như hình dạng và các bộ phận của đối tượng. Bộ mã hóa bỏ qua các bản vá bị che giúp việc đào tạo nhanh chóng và hiệu quả về bộ nhớ. Sau khi huấn luyện trước, bộ giải mã bị loại bỏ và bộ mã hóa chuyển mạnh sang các nhiệm vụ phân loại, phát hiện và phân đoạn.
Hiểu biết kỹ thuật
Bí quyết chính là sự bất đối xứng: bộ mã hóa hạng nặng chỉ nhìn thấy 25% các bản vá chưa được che giấu, trong khi một bộ giải mã nhỏ sẽ tái tạo lại phần còn lại. Các bản vá được làm phẳng, nhúng tuyến tính và được mã hóa theo vị trí. Tổn thất tái tạo là sai số bình phương trung bình chỉ được tính trên các mảng bị che, thường là trên các giá trị pixel được chuẩn hóa. Tỷ lệ che giấu cao buộc phải học ngữ nghĩa thay vì nội suy cấp thấp và bỏ qua các mã thông báo bị che trong các lần cắt bộ mã hóa sẽ tính toán đáng kể so với việc xử lý hình ảnh đầy đủ.
Làm chủ bộ mã hóa tự động đeo mặt nạ
Bộ mã hóa tự động đeo mặt nạ (MAE) là một phương pháp tự giám sát giúp dạy mô hình thị giác tái tạo lại hình ảnh sau khi hầu hết hình ảnh đã bị ẩn. Bằng cách học cách điền vào chỗ trống, mô hình sẽ xây dựng sự hiểu biết trực quan phong phú mà không cần bất kỳ nhãn hiệu nào của con người. Bộ mã hóa tự động đeo mặt nạ thuộc về quy trình công việc thị giác máy tính giúp diễn giải hoặc tạo phương tiện trực quan để phân tích, vận hành và sáng tạo. Để xây dựng sự hiểu biết sâu sắc, hãy coi Bộ mã hóa tự động đeo mặt nạ như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Bộ mã hóa tự động đeo mặt nạ sẽ cân bằng độ chính xác với thực tế hoạt động như chất lượng dữ liệu, phương sai ánh sáng và tính nhất quán của nhãn. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Đồng thời, quyền về hình ảnh và sự đồng ý có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Huấn luyện trước Vision Transformer trên hàng triệu bức ảnh chưa được gắn nhãn, sau đó tinh chỉnh nó để phân loại ImageNet với độ chính xác cao
Các tính năng học tập từ các bản quét y tế không được gắn nhãn (X-quang, MRI) trong đó chú thích của chuyên gia rất tốn kém và bị hạn chế
Điều chỉnh phương pháp này thành video bằng cách che giấu các bản vá không thời gian để huấn luyện trước các mô hình nhận dạng hành động (VideoMAE)
Đào tạo trước về hình ảnh vệ tinh và trên không để hỗ trợ lập bản đồ sử dụng đất và phát hiện thay đổi mà không cần nhãn thủ công
Các mẫu triển khai
Bộ mã hóa tự động đeo mặt nạ trong thực tế
Huấn luyện trước Vision Transformer trên hàng triệu bức ảnh chưa được gắn nhãn, sau đó tinh chỉnh nó để phân loại ImageNet với độ chính xác cao.
Huấn luyện trước Vision Transformer trên hàng triệu bức ảnh chưa được gắn nhãn, sau đó tinh chỉnh nó để phân loại ImageNet với độ chính xác cao. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Bộ mã hóa tự động đeo mặt nạ trong thực tế
Các tính năng học tập từ các bản quét y tế không được gắn nhãn (X-quang, MRI) trong đó chú thích của chuyên gia rất tốn kém và bị hạn chế.
Các tính năng học tập từ các bản quét y tế không được gắn nhãn (X-quang, MRI) trong đó chú thích của chuyên gia rất tốn kém và bị hạn chế. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí do lỗi theo thời gian.
Bộ mã hóa tự động đeo mặt nạ trong thực tế
Điều chỉnh phương pháp này thành video bằng cách che các bản vá không thời gian để huấn luyện trước các mô hình nhận dạng hành động (VideoMAE).
Điều chỉnh phương pháp này thành video bằng cách che giấu các bản vá không thời gian cho các mô hình nhận dạng hành động tiền đào tạo (VideoMAE) Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Bộ mã hóa tự động đeo mặt nạ trong thực tế
Đào tạo trước về hình ảnh vệ tinh và trên không để hỗ trợ lập bản đồ sử dụng đất và phát hiện thay đổi mà không cần nhãn thủ công.
Đào tạo trước trên hình ảnh vệ tinh và trên không để hỗ trợ lập bản đồ sử dụng đất và phát hiện thay đổi mà không cần nhãn thủ công. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.