Meta Segment Anything Model 2
继 Meta Segment Anything Model (SAM) 用于图像取得成功之后，我们发布了 SAM 2，这是一种统一的模型，用于在图像和视频中实时提示对象分割，可实现最先进的性能。为了与我们的开放科学方法保持一致，我们通过宽松的 Apache 2
meta 掩码 metasegment 2025-01-13 19:18 4
掩码
国网江西省电力申请一种日志异常检测语言模型自监督训练中混合掩码方法专利，可更好地训练 BERT 模型对词组和子序列的理解能力
金融界 2025 年 1 月 8 日消息，国家知识产权局信息显示，国网江西省电力有限公司信息通信分公司申请一项名为“一种日志异常检测语言模型自监督训练中混合掩码方法”的专利，公开号 CN 119248618 A，申请日期为 2024 年 12 月。
可解释性的定义与重要性
在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。
新技术：高效的自监督视觉预训练，局部遮挡再也不用担心！
计算机视觉的自监督学习取得了巨大的进步，并改进了许多下游视觉任务，例如图像分类、语义分割和对象检测。其中，生成式自监督视觉学习方法如MAE和BEiT表现出良好的性能。然而，它们的全局掩码重建机制在计算上要求很高。