Selbstüberwachte Semantische Segmentierung
Die selbstüberwachte semantische Segmentierung lernt, jedem Pixel eines Bildes ein Klassenlabel zuzuweisen, ohne auf manuell annotierte Segmentierungsmasken angewiesen zu sein. Ein Backbone-Netzwerk wird zunächst auf großen Mengen unbeschrifteter Bilder unter Verwendung selbstüberwachter Ziele wie kontrastives Lernen oder Masked Image Modeling trainiert, und die resultierenden dichten Merkmale werden dann verwendet, um Bildregionen zu partitionieren und zu labeln, wodurch eine wettbewerbsfähige Segmentierungsqualität bei einem Bruchteil der Annotationskosten erreicht wird.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/de/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.
- InstanzsegmentierungDeep Learning↔ compare
- Selbstüberwachtes Convolutional Neural NetworkDeep Learning↔ compare
- Selbstüberwachtes Vision TransformerDeep Learning↔ compare
- Semantische SegmentierungDeep Learning↔ compare
- Vision TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →