SimCLR
SimCLR er et selv-superviseret læringsframework introduceret af Chen et al. i 2020, som lærer visuelle repræsentationer ved at kontrastere lignende og forskellige billedvisninger. Metoden anvender stærke data-augmentationer til at skabe forskellige visninger af det samme billede, og træner derefter en encoder til at bringe lignende visninger tæt på hinanden i repræsentationsrummet, mens forskellige visninger skubbes fra hinanden.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In International conference on machine learning (pp. 1597-1607). PMLR. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). A Simple Framework for Contrastive Learning of Visual Representations. ScholarGate. https://scholargate.app/da/deep-learning/simclr
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.
- Few-Shot ObjektdetekteringDyb læring↔ compare
- Maskerede AutoencodersDyb læring↔ compare
- Swin TransformerDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →