Selvovervåket semantisk segmentering
Selvovervåket semantisk segmentering lærer å tilordne en klasselabel til hver piksel i et bilde uten å være avhengig av manuelt annoterte segmenteringsmasker. Et ryggradsnettverk trenes først på store mengder umerkede bilder ved hjelp av selvovervåkede mål som kontrastiv læring eller maskert bildemodellering, og de resulterende tette egenskapene brukes deretter til å partisjonere og merke bilderegioner, noe som oppnår konkurransedyktig segmenteringskvalitet til en brøkdel av annoteringskostnaden.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/no/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.
- InstanssegmenteringDyp læring↔ compare
- Selv-overvåket konvolusjonelt nevralt nettverkDyp læring↔ compare
- Selv-supervisert Vision TransformerDyp læring↔ compare
- Semantisk segmenteringDyp læring↔ compare
- Vision TransformerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →