Segmentation sémantique auto-supervisée
La segmentation sémantique auto-supervisée apprend à attribuer une étiquette de classe à chaque pixel d'une image sans recourir à des masques de segmentation annotés manuellement. Un réseau de base est d'abord entraîné sur de grandes quantités d'images non étiquetées à l'aide d'objectifs auto-supervisés tels que l'apprentissage contrastif ou la modélisation d'images masquées, puis les caractéristiques denses résultantes sont utilisées pour partitionner et étiqueter les régions de l'image, atteignant une qualité de segmentation compétitive pour une fraction du coût d'annotation.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/fr/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.
- Segmentation d'instancesApprentissage profond↔ compare
- Réseau de neurones convolutif auto-superviséApprentissage profond↔ compare
- Vision Transformer auto-superviséApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
- Vision TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →