Selv-overvåget semantisk segmentering
Selv-overvåget semantisk segmentering lærer at tildele en klasselabel til hver pixel i et billede uden at være afhængig af manuelt annoterede segmenteringsmasker. Et backbone-netværk trænes først på store mængder uannoterede billeder ved hjælp af selv-overvågede mål som kontrastiv læring eller maskeret billedmodellering, og de resulterende tætte features bruges derefter til at partitionere og mærke billedregioner, hvilket opnår konkurrencedygtig segmenteringskvalitet til en brøkdel af annoteringsomkostningerne.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/da/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.
- InstanssegmenteringDyb læring↔ compare
- Selvovervåget konvolutionelt neuralt netværkDyb læring↔ compare
- Selv-overvåget Vision TransformerDyb læring↔ compare
- Semantisk segmenteringDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →