ScholarGate
Asistenti
Machine learningDeep learning / NLP / CV

Detektimi i vetë-mbikëqyrur i objekteve

Detektimi i vetë-mbikëqyrur i objekteve përdor të dhëna imazhesh të pabotuara për të para-trajnuar një shtresë vizuale (visual backbone) nëpërmjet detyrave paraprake (pretext tasks) siç janë mësimi kontrastiv ose modelimi i imazheve të maskuara, dhe më pas përsos (fine-tunes) shtresën bazë me një kokë detektimi (detection head) në një grup më të vogël të dhënash të botuara. Ky qasje zvogëlon në mënyrë dramatike varësinë nga anotimet e shtrenjta të kutive kufizuese (bounding boxes), duke arritur ose iu afruar performancës së detektimit plotësisht të mbikëqyrur.

Hapeni në MethodMindSë shpejtiVideoSë shpejtiDownload slides

Lexoni metodën e plotë

Vetëm për anëtarët

Hyni me një llogari falas për ta lexuar këtë seksion.

Hyni

Method map

The neighbourhood of related methods — select a node to explore.

Burimet

  1. 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
  2. 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

Si ta citoni këtë faqe

ScholarGate. (2026, June 3). Self-supervised Pre-training for Object Detection. ScholarGate. https://scholargate.app/sq/deep-learning/self-supervised-object-detection

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.

Compare side by side
ScholarGateSelf-supervised Object Detection (Self-supervised Pre-training for Object Detection). Marrë më 2026-06-15 nga https://scholargate.app/sq/deep-learning/self-supervised-object-detection · Seti i të dhënave: https://doi.org/10.5281/zenodo.20539026