- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
torch.masked_select
torch.masked_select(input, mask, out=None) → Tensor根据掩码张量mask中的二元值，取输入张量中的指定项( mask为一个 ByteTensor)，将取值返回到一个新的 torch.masked_select(x,mask)?注意： 返回的正是一维张量
84910编辑于 2022-09-02 - 来自专栏DeepHub IMBA
论文导读：Masked Autoencoders Are Scalable Vision Learners
Facebook 人工智能研究 (FAIR) 团队发表的论文 Masked Autoencoders Are Scalable Vision Learners 已成为计算机视觉社区的热门话题。 FAIR 论文解决了这个问题，并证明了 Masked Autoencoders (MAE) 可以是用于计算机视觉的可扩展自监督学习器。
91511发布于 2021-11-23 - 来自专栏我的充电站
文献阅读：Should You Mask 15% in Masked Language Modeling?
文献阅读：Should You Mask 15% in Masked Language Modeling? 1. 内容简介 2.
59510编辑于 2022-04-13 - 来自专栏日常学python
Python NumPy掩码数组masked array应用
自动屏蔽指定值 NumPy 提供了 masked_equal、masked_greater 等便捷方法，可以自动屏蔽符合条件的值： # 自动屏蔽特定值 masked_arr = ma.masked_equal 1, 50]) masked_arr = ma.masked_array(arr, mask=arr < 0) print("从现有数组创建的掩码数组：\n", masked_arr) 输出： 从现有数组创建的掩码数组 示例： print("原始数据：", masked_arr.data) print("掩码：", masked_arr.mask) print("用0填充屏蔽值：", masked_arr.filled [0] = True print("屏蔽第一个元素后的数组：\n", masked_arr) # 取消屏蔽 masked_arr.mask[0] = False print("取消屏蔽后的数组：\n" , masked_arr) 对屏蔽值的计算 掩码数组会自动忽略屏蔽值，仅对未屏蔽的元素进行计算： # 计算平均值（忽略屏蔽值） mean_value = masked_arr.mean() print
98910编辑于 2024-12-19 - 来自专栏AI绘画
复旦&腾讯 AI图像Masked Diffusion Transformer V2
什么是Masked Diffusion Transformer V2？ Masked Diffusion Transformer V2（MaskDiT V2）是一种先进的深度学习模型，它结合了扩散模型（Diffusion Models）和变换器（Transformers）的架构
46920编辑于 2024-08-15 - 来自专栏AI机器学习与深度学习算法
PyTorch入门笔记-masked_select选择函数
masked_select torch.masked_select(input,mask,out=None) 函数返回一个根据布尔掩码 (boolean mask) 索引输入张量的 1D 张量，其中布尔掩码和输入张量就是 torch.masked_select(input, mask, out = None) 函数的两个关键参数，函数的参数有： input(Tensor) - 需要进行索引操作的输入张量； mask(BoolTensor 比如执行 torch.zeros([2, 2], out = tensor_a)，相当于执行 tensor_a = torch.zeros([2, 2])； 「masked_select 函数最关键的参数就是布尔掩码 (x, mask3)) Traceback (most recent call last): File "/home/chenkc/code/masked_select.py", line 100 the size of tensor b (4) at non-singleton dimension 1 masked_select 函数虽然简单，但是有几点需要注意： 使用 masked_select
4.8K20发布于 2020-12-02 - 来自专栏机器学习、深度学习
遮挡人脸检测--Detecting Masked Faces in the Wild with LLE-CNNs
Detecting Masked Faces in the Wild with LLE-CNNs CVPR2017 本文针对遮挡人脸检测问题，首先建立了一个新的数据库：MAFA, with 30,811 Internet images and 35,806 masked faces，其次提出了一个 CNN 网络 LLE-CNNs 来用于遮挡人脸检测。 首先来看看新建的数据库 3 MAFA: A Dataset of Masked Faces 3.1. 4 LLE-CNNs for Masked Face Detection 遮挡人脸检测存在两个大的挑战：incomplete facial cues and inaccurate features
2.9K90发布于 2018-01-03 - 来自专栏朴素人工智能
Soft-Masked BERT：文本纠错与BERT的最新结合
文本纠错最优模型：Soft-Masked BERT（2020-ACL） 5. 四、文本纠错最优模型：Soft-Masked BERT 为了弥补baseline方法的不足，最大限度发挥BERT功效，复旦大学的研究人员在2020 ACL上发表了最新论文：Spelling Error Correction with Soft-Masked BERT ? （2）以检测网络的输出作为权重，将 masking-embedding以“soft方式”添加到各个字符特征上，即“Soft-Masked”。 Soft-Masked BERT 在两份数据集上几乎都取得了最好结果。同时我们发现，Finetune对于原始BERT的表现具有巨大的促进作用。
2.6K50发布于 2020-06-05 - 来自专栏机器学习AI算法工程
文本纠错与BERT的最新结合,Soft-Masked BERT
四、文本纠错最优模型：Soft-Masked BERT 为了弥补baseline方法的不足，最大限度发挥BERT功效，复旦大学的研究人员在2020 ACL上发表了最新论文——“Spelling Error Correction with Soft-Masked BERT”。 （2）以检测网络的输出作为权重，将 masking 特征添加到各个输入字符，即“Soft-Masked”。 Soft-Masked BERT 在两份数据集上几乎都取得了最好结果。同时我们发现，Finetune对于原始BERT的表现具有巨大的促进作用。
2K31发布于 2020-07-14 - 来自专栏CSDN搜“看，未来”
问题解决：Failed to start etcd.service: Unit is masked.
百度一下全是这三步走，但是这个没有办法解决我的问题（难道我自己把服务关掉我会不知道？？？要这样给我报错？？？）
96410编辑于 2022-06-08 - 来自专栏深度学习和计算机视觉
Masked Mamba: 基于Mamba的病理图像分类的自监督框架
论文信息 题目：Masked Mamba: An Efficient Self-Supervised Framework for Pathological Image Classification Masked 因此，作者提出了一种名为Masked Mamba的新架构，它在低成本推理和鲁棒分类性能方面具有显著优势。它基于两个核心设计。 3 方法 3.1 Masked Mamba 3.1.1 预训练流程 Masked Mamba预训练的详细程序在图1中描绘。 Masked Mamba预训练的实现是直接的，可以抽象地由以下方程表示： 3.1.2 Masked Mamba编码器 其中Linear表示线性变换层，SSD指的是选择性扫描操作，代表激活函数，Sep-Conv1D 3.2 Masked Mamba迁移 4 实验结果
71810编辑于 2024-11-29 - 来自专栏云上修行
【玩转 GPU】Stable-Diffusion Inpaint小知识：Masked content的作用
绘制蒙版内容、inpaint not masked绘制非蒙版内容，选择第一个就是只在蒙版区域重绘，另一种则相反（可以理解为将蒙版图中的0与1，黑与白互换），默认值是inpaint masked绘制蒙版内容 Inpaint area：重绘区域，包括 whole picture全图、only masked仅蒙版。 padding, pixels：当选择Only masked 仅重绘蒙版区域 模式时，我们可以通过此参数来调整放大区域的边界来控制重绘的精度。 边界越大，运行Only masked模式时放大的倍数就越小，但是周围能参考的区域也就越多，这样绘制出来的效果相对更加平滑，不容易出现瑕疵。 Masked content Masked content有四种选项： fill 填充 original 原图 latent noise 潜在噪声 latent nothing 无潜在空间 这是一种预处理的步骤
6.9K84编辑于 2023-06-09 - 来自专栏Sentieon：文献解读
文献解读-Chromosome-Scale Genome of Masked Palm Civet (Paguma larvata) Shows Genomic
关键词：果子狸；基因组特征；变异检测； 文献介绍 标题（英文）：Chromosome-Scale Genome of Masked Palm Civet (Paguma larvata) Shows Genomic
29510编辑于 2025-03-04 - 来自专栏媒矿工厂
ICCV2023 | Masked Diffusion Transformer： 增强扩散模型对上下文关系的理解
作者：Shanghua Gao 等 论文题目：Masked Diffusion Transformer is a Strong Image Synthesizer 来源：ICCV2023 论文链接：https 为了解决这个问题，我们提出了一种掩码扩散Transformer（Masked Diffusion Transformer，MDT），明确增强了DPMs在图像中物体语义部分之间上下文关系学习的能力。 为了解决这个问题，提出了一种有效的掩码扩散变换器（Masked Diffusion Transformer，MDT），以提高DPMs的训练效率。
3.4K40编辑于 2023-11-03 - 来自专栏AI SPPECH
114_预训练：Masked LM优化与动态掩码效率深度解析
Masked Language Modeling（MLM）作为BERT等模型采用的核心预训练任务，通过随机掩盖文本中的部分token并让模型预测这些被掩盖的token，有效地训练了模型的双向表示能力。 Masked Language Modeling基础 2.1 MLM任务定义与目标 Masked Language Modeling（MLM）是一种自监督预训练任务，其核心思想是： 任务定义：随机掩盖输入序列中的部分 = input_ids.clone() masked_input[mask_80] = mask_token_id # 生成随机token替换 random_tokens masked_input = input_ids.clone() masked_input[mask_80] = mask_token_id # 并行生成随机token return masked_input, labels 7.
34510编辑于 2025-11-16 - 来自专栏秋枫学习笔记
SIGIR22「腾讯」GMT：邻域感知的Masked Transformer进行点击率预测
关注我们，一起学习~ title：Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction link：https
59730编辑于 2022-09-19 - 来自专栏DeepHub IMBA
论文推荐：谷歌Masked Generative Transformers 以更高的效率实现文本到图像的 SOTA
在23年1月新发布的论文 Muse中：Masked Generative Transformers 生成文本到图像利用掩码图像建模方法来达到了最先进的性能，零样本 COCO 评估的 FID 分数为 7.88
88530编辑于 2023-02-01 - 来自专栏机器之心
SIGIR 2022｜邻域建模Graph-Masked Transformer提高微信视频点击率预测
论文题目为《Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer》，论文已被 SIGIR2022 基于邻域信息的 Graph-Masked Transformer 模型。 以下对各个模块分别进行介绍。 对于异构的交互图集合的建模：Graph-Masked Transformer 在局部交互图的构建之后, 一个用户 - 视频样本对可以被表示为如下: 为了从节点特征和异构的交互结构中学习到用户 - 视频的样本对的表示 具体的，给定输入序列 ，和的交互图邻接矩阵 M，我们定义了 Masked Attention： 其中 为掩码函数： 通过这种简单而有效的方式，我们使得 Graph-Masked Transformer 为了更好地建模子图中存在的显式和隐式关系，我们探索了多种邻域节点的交互表示，并且设计了一种简洁的 Masked-Graph Transformer 结构来加入对多种交互表示的先验信息的建模。
54120编辑于 2022-07-26 - 来自专栏数据派THU
SIGIR 2022｜邻域建模Graph-Masked Transformer提高微信视频点击率预测
论文题目为《Neighbour Interaction based Click-Through Rate Prediction via Graph-masked Transformer》，论文已被 SIGIR2022 基于邻域信息的 Graph-Masked Transformer 模型。 以下对各个模块分别进行介绍。 对于异构的交互图集合的建模：Graph-Masked Transformer 在局部交互图的构建之后, 一个用户 - 视频样本对可以被表示为如下: 为了从节点特征和异构的交互结构中学习到用户 - 视频的样本对的表示 具体的，给定输入序列 ，和的交互图邻接矩阵 M，我们定义了 Masked Attention： 其中 为掩码函数： 通过这种简单而有效的方式，我们使得 Graph-Masked Transformer 为了更好地建模子图中存在的显式和隐式关系，我们探索了多种邻域节点的交互表示，并且设计了一种简洁的 Masked-Graph Transformer 结构来加入对多种交互表示的先验信息的建模。
29220编辑于 2022-08-29 - 来自专栏DeepHub IMBA
Multi-modal Multi-task Masked Autoencoder：一种简单、灵活且有效的 ViT 预训练策略
在新论文 MultiMAE: Multi-modal Multi-task Masked Autoencoders 中，来自瑞士洛桑联邦理工学院 (EPFL) 的团队提出了 Multi-modal Multi-task Masked Autoencoders (MultiMAE)，也是一种预训练策略，可以对掩码进行自动编码处理并执行多模态和多任务的训练。 MultiMAE 的设计基于传统的 Masked Autoencoding，但在两个关键方面有所不同： 1、除了 RGB 图像，它还可以选择接受输入中的附加模态信息（因此是“多模态”） 2、其训练目标相应地包括 论文 MultiMAE: Multi-modal Multi-task Masked Autoencoders 公开资料汇总地址如下：https://multimae.epfl.ch/ 作者：Hecate
44820编辑于 2022-04-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号