Visuel kontrastiv læring
Visuel kontrastiv læring er en selv-superviseret dyb-læringsmetode – populariseret af frameworks som SimCLR (Chen et al., 2020) og MoCo (He et al., 2020) – der lærer rige billedrepræsentationer uden labels ved at trække forskellige augmentationer af det samme billede tættere på hinanden og skubbe forskellige billeder fra hinanden. Den forvandler en stor pulje af umærkede billeder til en nyttig feature-ekstraktor.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
Sådan citerer du denne side
ScholarGate. (2026, June 1). Visual Contrastive Self-Supervised Learning (SimCLR / MoCo / BYOL). ScholarGate. https://scholargate.app/da/deep-learning/contrastive-learning-dl
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.
- Graph Attention NetworkDyb læring↔ compare
- Longformer / BigBirdDyb læring↔ compare
- Mixture of ExpertsDyb læring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →