Zelf-gesuperviseerde semantische segmentatie
Zelf-gesuperviseerde semantische segmentatie leert om elke pixel van een afbeelding een klasselabel toe te wijzen zonder te vertrouwen op handmatig geannoteerde segmentatiemaskers. Een backbone-netwerk wordt eerst getraind op grote hoeveelheden ongelabelde afbeeldingen met behulp van zelf-gesuperviseerde doelstellingen zoals contrastief leren of gemaskeerde beeldmodellering, en de resulterende dichte kenmerken worden vervolgens gebruikt om beeldregio's te partitioneren en te labelen, wat een concurrerende segmentatiekwaliteit oplevert tegen een fractie van de annotatiekosten.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/nl/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.
- InstantiesegmentatieDeep learning↔ compare
- Zelf-gesuperviseerd convolutie neuraal netwerkDeep learning↔ compare
- Zelf-gesuperviseerde Vision TransformerDeep learning↔ compare
- Semantische segmentatieDeep learning↔ compare
- Transformator voor Visuele WaarnemingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →