Pašuzraudzīta semantiskā segmentācija
Pašuzraudzīta semantiskā segmentācija iemācās piešķirt klases marķējumu katram attēla pikselim, nepaļaujoties uz manuāli anotētām segmentācijas maskām. Mugurkaula tīkls vispirms tiek apmācīts ar lielu daudzumu neiezīmētu attēlu, izmantojot pašuzraudzītus mērķus, piemēram, kontrastīvo mācīšanos vai maskētu attēlu modelēšanu, un iegūtās blīvās iezīmes pēc tam tiek izmantotas, lai sadalītu un marķētu attēla reģionus, sasniedzot konkurētspējīgu segmentācijas kvalitāti ar nelielu daļu no anotācijas izmaksām.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/lv/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.
- Instance segmentācijaDziļā mācīšanās↔ compare
- Pašuzraudzīta konvolūciju neironu tīklsDziļā mācīšanās↔ compare
- Self-supervised Vision TransformerDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
- Vision TransformerDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →