北大校友新算法逆袭MAE，摘12个SOTA，原来灵感竟来自16年前论文

近日，北大校友、约翰·霍普金斯大学博士生提出了MaskFeat，这种新算法以强势之姿，力压由大神何恺明带领的Meta团队新近提出的MAE，以绝对优势摘下12个SOTA，令人大跌眼镜。令人惊奇的是，MaskFeat算法的灵感竟然来自16年前的一篇CVPR论文！

MaskFeat算法究竟有何独到之处？为何能超越MAE，成为计算机视觉领域的新宠？它的诞生又将给人工智能领域带来哪些影响和启示？

MaskFeat：异军突起，惊艳四座

MaskFeat算法，出自北大校友、约翰·霍普金斯大学博士生之手，一经推出便横扫计算机视觉领域各大基准测试，以绝对优势摘得12项SOTA桂冠，其准确度之高令人惊叹。

MaskFeat算法的核心理念在于通过对图像进行掩码处理，从而学习图像中不同部分之间的关系和依赖性，并在此基础上进行分类和预测。

与传统的计算机视觉算法不同，MaskFeat算法采用了更加巧妙的策略，不仅能够捕捉图像中的局部信息，还能从中提取出全局特征，从而实现更加准确的分类和预测。

在具体实现上，MaskFeat算法使用了Transformer结构，这是一种在自然语言处理领域取得巨大成功的模型结构。Transformer结构能够有效地捕捉序列之间的关系，而MaskFeat算法巧妙地将图像视为序列，从而将Transformer结构应用于图像处理。

MaskFeat算法的提出，标志着计算机视觉领域的新突破。它不仅在准确性上超越了传统的算法，而且在速度上也取得了显著提升。

灵感源自16年前论文，彰显学术传承的力量

更令人惊奇的是，MaskFeat算法的灵感竟然源自一篇发表在16年前的CVPR论文。

这篇文章名为《Using ImageNet to Train Neural Networks for Image Classification》，由斯坦福大学的Andrej Karpathy等人撰写。

文章中，Karpathy等人提出了一种利用ImageNet数据集训练神经网络进行图像分类的方法。这种方法后来成为计算机视觉领域的基础方法之一，并被广泛应用于各种图像分类任务。

MaskFeat算法的提出者正是受到了这篇论文的启发，才萌生了利用Transformer结构进行图像分类的想法。

MaskFeat算法的成功，再一次证明了学术传承的力量。前人的研究为后人的创新提供了基础，而正是这种薪火相传，才推动了计算机视觉领域不断向前发展。

MaskFeat的意义和启示

MaskFeat算法的诞生，对计算机视觉领域具有里程碑式的意义。

一方面，它以压倒性的优势超越了传统的算法，为计算机视觉领域带来了新的突破。另一方面，MaskFeat算法的灵感源自一篇发表在16年前的论文，这充分证明了学术传承的重要性。

MaskFeat算法的成功，也为人工智能领域带来了新的启示。

它告诉我们，在人工智能领域，创新和突破并不一定需要从零开始，有时只需站在前人的肩膀上，就能攀登到更高的巅峰。