SimCLR
SimCLR er et rammeverk for selv-supervisert læring introdusert av Chen et al. i 2020, som lærer visuelle representasjoner ved å kontrastere like og ulike visninger av bilder. Metoden anvender sterke data-augmenteringer for å skape ulike visninger av samme bilde, og trener deretter en enkoder til å bringe like visninger nærmere hverandre i representasjonsrommet, samtidig som ulike visninger skyves fra hverandre.
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
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. In International conference on machine learning (pp. 1597-1607). PMLR. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). A Simple Framework for Contrastive Learning of Visual Representations. ScholarGate. https://scholargate.app/no/deep-learning/simclr
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.
- Fåskudds objektdeteksjonDyp læring↔ compare
- Maskerte autoenkodereDyp læring↔ compare
- Swin TransformerDyp læring↔ compare
- Vision TransformerDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →