Methodenbewijsdossier
Self-supervised Instance Segmentation
Self-supervised instance segmentation learns to detect and delineate individual object instances in images without any human-annotated masks or bounding boxes. Instead of relying on costly pixel-level labels, it exploits self-supervised pretraining, multi-view consistency, and pseudo-label generation to discover and segment objects purely from raw image data.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
Self-supervised Instance Segmentation (Label-free Object Mask Learning)
Taxonomisch methodendossier · ml-model / deep-learning
- Wang, X., Zhu, Z., Cao, G., Yao, Z., Jiang, Z., & Ye, J. (2022). FreeSOLO: Learning to Segment Objects without Annotations. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 14176–14186. · URL
- 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
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Nog geen gecureerde claims
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.