Segmentació semàntica auto-supervisada
La segmentació semàntica auto-supervisada aprèn a assignar una etiqueta de classe a cada píxel d'una imatge sense dependre de màscares de segmentació anotades manualment. Primer es fa un entrenament d'una xarxa base (backbone) amb grans quantitats d'imatges no etiquetades utilitzant objectius auto-supervisats com l'aprenentatge contrastiu o el modelatge d'imatges emmascarades, i les característiques densa resultants s'utilitzen llavors per a particionar i etiquetar regions de la imatge, aconseguint una qualitat de segmentació competitiva amb una fracció del cost d'anotació.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Caron, M., Touvron, H., Misra, I., Jegou, H., Mairal, J., Bojanowski, P., & Joulin, A. (2021). Emerging Properties in Self-Supervised Vision Transformers. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 9650–9660. DOI: 10.1109/ICCV48922.2021.00951 ↗
- Hamilton, M., Zhang, Z., Hariharan, B., Snavely, N., & Freeman, W. T. (2022). Unsupervised Semantic Segmentation by Distilling Feature Correspondences. International Conference on Learning Representations (ICLR). link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/ca/deep-learning/self-supervised-semantic-segmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Segmentació d'instànciesAprenentatge profund↔ compare
- Xarxa Convolucional Neuronal d'Auto-SupervisióAprenentatge profund↔ compare
- Vision Transformer auto-supervisatAprenentatge profund↔ compare
- Segmentació semànticaAprenentatge profund↔ compare
- Vision TransformerAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →