Awesome-MIM

Awesome-MIM

掩码图像建模在自监督表示学习中的应用与发展

该项目汇总了掩码图像建模(MIM)及相关的自监督学习方法。涵盖了从2008年以来的主要自监督学习研究,并展示了其在自然语言处理和计算机视觉领域的发展历程和关键节点。所有内容按时间顺序排列并定期更新,包括相关论文、代码和框架的详细信息,旨在帮助研究者深入理解和应用MIM方法。欢迎贡献相关文献或修正建议。

Masked Image Modeling自监督学习计算机视觉Transformer深度学习Github开源项目

项目介绍:Awesome-MIM

概述

Awesome-MIM 是一个致力于自监督视觉表示学习及其相关领域中遮掩图像建模(Masked Image Modeling, MIM)方法的项目汇总。该项目作为对遮掩建模技术的调查研究的一部分,旨在顺序总结并不断更新优秀的 MIM 方法。研究者欢迎大家提出建议或提交开源合并请求,以帮助完善项目内容。

自监督学习的背景

自监督学习(SSL)是机器学习领域中的一种学习范式,它在没有显式标签的情况下进行数据学习。自 2008 年以来,自监督学习在生成和判别的范式中不断演进。在自然语言处理(NLP)领域,自 2018 年起,生成的遮掩语言建模成为主流。在计算机视觉领域,判别式的对比学习技术从 2018 年到 2021 年占主导地位,而自 2022 年之后,遮掩图像建模开始得到广泛关注。

基础的 MIM 方法

MIM for Transformers(用于 Transformer 的 MIM)

Transformer 作为一种强大的深度学习模型,近年来在各种任务中得到了广泛应用。MIM 在该领域的研究集中于提升 Transformer 模型在图像数据上的表现能力。比如,被广为熟知的“An Image is Worth 16x16 Words”研究表明,图像数据可以通过切割成小块并通过 Transformer 进行处理以获得良好的识别能力。

MIM with Contrastive Learning(与对比学习结合的 MIM)

对比学习是一种通过对比增加信息距离的方法,结合 MIM,可以有效提高模型的鲁棒性及学习效率。

MIM for Multi-Modality(多模态 MIM)

多模态学习意味着同时使用多种类型的数据,例如图像、文本和声音,以更全面地理解和分类内容。MIM 在这一领域的应用可以使得模型在多种数据形式上都具有强大的处理能力。

图像生成与 MIM

通过 MIM 方法,生成模型能够从部分可见信息中推断并重建完整图像,从而提高生成结果的质量及一致性。

MIM 在计算机视觉下游任务的应用

MIM 方法在计算机视觉中的多个下游任务中展现出了卓越的应用潜力,包括:

  • 物体检测:MIM 能够提升模型在复杂场景下的物体识别与定位能力。
  • 视频表示:利用 MIM,使得模型可以更好地捕捉和表示视频数据中的动态信息。
  • 知识蒸馏与少样本分类:通过 MIM 预训练,可以有效地总结知识,提高少样本情况下模型的分类精度。
  • 医疗图像:在医疗领域,MIM 用于提高医学成像的处理精度和速度。

其他领域应用

遮掩建模技术不仅在视觉领域得到了应用,还在音频、科学计算(如蛋白质、化学和物理研究)、时间序列和神经科学学习以及强化学习中展现出广阔的应用前景。

贡献与参与

Awesome-MIM 项目欢迎不同背景的研究者和开发者的参与与贡献。无论是通过开源项目的形式,还是参与问题讨论,均是对整个领域发展的重要推动。同时,该项目还列出了相关研究项目和论文列表,以供参考。

总结

Awesome-MIM 项目不仅是对现有自监督学习研究的一种系统总结,同时也为研究者提供了一个开放的、可持续更新的平台,帮助大家更好地理解和应用最新评论技术。无论是学术界还是工业界,借此可以更深入地推进视觉和多模态数据分析与处理的发展。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多