Détection d'objets auto-supervisée
La détection d'objets auto-supervisée utilise des données d'images non étiquetées pour pré-entraîner un "backbone" visuel via des tâches prétextes telles que l'apprentissage contrastif ou la modélisation d'images masquées, puis affine ce "backbone" avec une tête de détection sur un ensemble de données étiquetées plus petit. Cette approche réduit considérablement la dépendance aux annotations de boîtes englobantes coûteuses tout en égalant ou en approchant les performances de la détection entièrement supervisée.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- He, K., Fan, H., Wu, Y., Xie, S., & Girshick, R. (2020). Momentum Contrast for Unsupervised Visual Representation Learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 9729–9738. DOI: 10.1109/CVPR42600.2020.00975 ↗
- Caron, M., Touvron, H., Misra, I., Jégou, 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Pre-training for Object Detection. ScholarGate. https://scholargate.app/fr/deep-learning/self-supervised-object-detection
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.
- Détection d'objetsApprentissage profond↔ compare
- Classification d'images auto-superviséeApprentissage profond↔ compare
- Détection d'objets semi-superviséeApprentissage profond↔ compare
- Apprentissage par transfert avec détection d'objetsApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →