Rilevamento di oggetti auto-supervisionato
Il rilevamento di oggetti auto-supervisionato utilizza dati di immagini non etichettati per pre-addestrare una rete visiva di base (backbone) attraverso compiti pretesto come l'apprendimento contrastivo o la modellazione di immagini mascherate, quindi affina (fine-tunes) il backbone con una testa di rilevamento su un set di dati etichettato più piccolo. Questo approccio riduce drasticamente la dipendenza da costose annotazioni di bounding box, eguagliando o avvicinandosi alle prestazioni del rilevamento completamente supervisionato.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Self-supervised Pre-training for Object Detection. ScholarGate. https://scholargate.app/it/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.
- Rilevamento di oggettiApprendimento profondo↔ compare
- Classificazione di immagini auto-supervisionataApprendimento profondo↔ compare
- Rilevamento di oggetti semi-supervisionatoApprendimento profondo↔ compare
- Apprendimento per trasferimento con rilevamento di oggettiApprendimento profondo↔ compare
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →