Self-supervised Instance Segmentation (Label-free Object Mask Learning)

Traditionele instantiesegmentatie vereist duizenden handgetekende objectmaskers — een dure en tijdrovende bottleneck. Zelf-gesuperviseerde benaderingen omzeilen dit door eerst een netwerk te trainen om rijke visuele representaties te produceren uit ongelabelde beelden (via contrastieve of zelf-distillatie doelstellingen), en vervolgens die representaties te benutten om grove objectvoorstellen te genereren. Deze voorstellen worden iteratief verfijnd als pseudo-labels, waardoor het netwerk zichzelf kan trainen tot een bekwame segmentator zonder een enkele menselijke annotatie. Het kerninzicht is dat goed geleerde zelf-gesuperviseerde kenmerken al impliciet objectgrenzen coderen.