Segmentação Semântica Auto-supervisionada
A segmentação semântica auto-supervisionada aprende a atribuir um rótulo de classe a cada pixel de uma imagem sem depender de máscaras de segmentação anotadas manualmente. Uma rede de base é primeiro treinada em grandes quantidades de imagens não rotuladas usando objetivos auto-supervisionados, como aprendizado contrastivo ou modelagem de imagem mascarada, e as características densas resultantes são então usadas para particionar e rotular regiões de imagem, alcançando qualidade de segmentação competitiva a uma fração do custo de anotação.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/pt/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.
- Segmentação de InstânciaAprendizado profundo↔ compare
- Rede neural convolucional autossupervisionadaAprendizado profundo↔ compare
- Vision Transformer AutossupervisionadoAprendizado profundo↔ compare
- Segmentação semânticaAprendizado profundo↔ compare
- Vision TransformerAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →