Samouczenie się klasyfikacji obrazów
Samouczenie się klasyfikacji obrazów polega na trenowaniu głębokiego wizualnego kodera na dużych, nieetykietowanych zbiorach danych obrazów poprzez rozwiązywanie zadań zastępczych (ang. proxy tasks) – takich jak przewidywanie, które dwa powiększone widoki tego samego obrazu są podobne – a następnie dostrajaniu (ang. fine-tuning) tylko lekkiej głowicy klasyfikatora na etykietowanych przykładach. Zapoczątkowane przez takie ramy jak SimCLR i MoCo około 2020 roku, drastycznie zmniejsza potrzebę kosztownej ręcznej adnotacji, jednocześnie osiągając dokładność porównywalną z modelami w pełni nadzorowanymi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. Proceedings of the 37th International Conference on Machine Learning (ICML), PMLR 119, 1597–1607. link ↗
- He, K., Fan, H., Wu, Y., Xie, S., & Girshick, R. (2020). Momentum Contrast for Unsupervised Visual Representation Learning. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 9729–9738. DOI: 10.1109/CVPR42600.2020.00975 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Self-supervised Learning for Image Classification. ScholarGate. https://scholargate.app/pl/deep-learning/self-supervised-image-classification
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.
- Generatywna Sieć AntagonistycznaUczenie głębokie↔ compare
- Destylacja wiedzyUczenie głębokie↔ compare
- Uczenie transferoweUczenie maszynowe↔ compare
- Vision TransformerUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →