本文重新审视了计算机视觉中用于视觉识别任务的标准预训练-微调范例。通常情况下，最先进的基础模型使用具有数十亿张图像的大规模（弱）监督数据集进行预训练。我们引入了一个额外的预-预训练阶段，它采用自监督的MAE技术来初始化模型。尽管MAE仅被证明与模型大小有关，但我们发现它也与训练数据集的大小有关。因此，我们基于MAE的预-预训练可同时适用于模型和数据大小，适用于训练基础模型。预-预训练始终提高了各种模型规模（百万到亿级参数）和数据集大小（百万到亿级图像）的模型收敛性和下游转移性能。我们在涵盖图像分类、视频识别、目标检测、少样本分类和零样本识别等10种不同视觉识别任务上度量了预-预训练的有效性。我们的最大模型在iNaturalist-18（91.3％）、1-shot ImageNet-1k（62.1％）和Food-101的零样本转移（96.0％）方面实现了新的最先进结果。我们的研究表明，即使进行数十亿张图像的Web规模预处理，模型初始化也发挥了重要作用。

标题：The effectiveness of MAE pre-pretraining for billion-scale pretraining

论文：https://arxiv.org/pdf/2303.13496.pdf

作者：Mannat Singh, Quentin Duval, Kalyan Vasudev Alwala, Haoqi Fan, Vaibhav Aggarwal, Aaron Adcock, Armand Joulin（研究主任）, Piotr Dollár, Christoph Feichtenhofer, Ross Girshick, Rohit Girdhar, Ishan Misra

内容中包含的图片若涉及版权问题，请及时与我们联系删除