Il s'agit de l'application Windows MAE (Masked Autoencoders), dont la dernière version est téléchargeable sous le nom maesourcecode.tar.gz. Elle peut être exécutée en ligne sur l'hébergeur gratuit OnWorks pour postes de travail.
Téléchargez et exécutez en ligne cette application nommée MAE (Masked Autoencoders) avec OnWorks gratuitement.
Suivez ces instructions pour exécuter cette application :
- 1. Téléchargé cette application sur votre PC.
- 2. Entrez dans notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous voulez.
- 3. Téléchargez cette application dans ce gestionnaire de fichiers.
- 4. Démarrez n'importe quel émulateur en ligne OS OnWorks à partir de ce site Web, mais un meilleur émulateur en ligne Windows.
- 5. Depuis le système d'exploitation OnWorks Windows que vous venez de démarrer, accédez à notre gestionnaire de fichiers https://www.onworks.net/myfiles.php?username=XXXXX avec le nom d'utilisateur que vous souhaitez.
- 6. Téléchargez l'application et installez-la.
- 7. Téléchargez Wine depuis les dépôts de logiciels de vos distributions Linux. Une fois installé, vous pouvez ensuite double-cliquer sur l'application pour les exécuter avec Wine. Vous pouvez également essayer PlayOnLinux, une interface sophistiquée sur Wine qui vous aidera à installer des programmes et des jeux Windows populaires.
Wine est un moyen d'exécuter un logiciel Windows sur Linux, mais sans Windows requis. Wine est une couche de compatibilité Windows open source qui peut exécuter des programmes Windows directement sur n'importe quel bureau Linux. Essentiellement, Wine essaie de ré-implémenter suffisamment de Windows à partir de zéro pour qu'il puisse exécuter toutes ces applications Windows sans avoir réellement besoin de Windows.
CAPTURES D'ÉCRAN:
MAE (Autoencodeurs masqués)
DESCRIPTION:
MAE (Masked Autoencoders) est un framework d'apprentissage auto-supervisé pour l'apprentissage de représentations visuelles utilisant la modélisation d'images masquées. Il entraîne un Vision Transformer (ViT) en masquant aléatoirement un pourcentage élevé de zones d'image (généralement 75 %) et en reconstruisant le contenu manquant à partir des zones visibles restantes. Cela force le modèle à apprendre la structure sémantique et le contexte global sans supervision. L'encodeur traite uniquement les zones visibles, tandis qu'un décodeur léger reconstruit l'image complète, ce qui optimise l'efficacité du pré-apprentissage. Après le pré-apprentissage, l'encodeur constitue une puissante infrastructure pour les tâches en aval telles que la classification, la segmentation et la détection d'images, atteignant des performances optimales avec un minimum de réglages fins. Le référentiel fournit des modèles pré-entraînés, des scripts de réglage fin, des protocoles d'évaluation et des outils de visualisation pour la qualité de la reconstruction et les caractéristiques apprises.
Comment ça marche
- Modélisation d'images masquées avec masquage aléatoire de patchs à rapport élevé
- Pré-formation efficace via la séparation encodeur-décodeur (l'encodeur ne voit que les patchs visibles)
- Colonne vertébrale évolutive du transformateur de vision pour les tâches de vision en aval
- Modèles pré-entraînés et scripts de réglage fin pour la classification, la détection et la segmentation
- Outils de visualisation pour la reconstruction et l'analyse des représentations
- Paradigme de formation auto-supervisée ne nécessitant aucune donnée étiquetée
Langage de programmation
Python
Catégories
Cette application est également disponible sur https://sourceforge.net/projects/mae-masked-autoencoders.mirror/. Elle est hébergée sur OnWorks afin de pouvoir être exécutée en ligne plus facilement depuis l'un de nos systèmes d'exploitation gratuits.