Självövervakad semantisk segmentering
Självövervakad semantisk segmentering lär sig att tilldela en klassetikett till varje pixel i en bild utan att förlita sig på manuellt annoterade segmenteringsmasker. Ett basnätverk tränas först på stora mängder oannoterade bilder med självövervakade mål, såsom kontrastiv inlärning eller maskerad bildmodellering, och de resulterande täta egenskaperna används sedan för att partitionera och märka bildregioner, vilket uppnår konkurrenskraftig segmenteringskvalitet till en bråkdel av annoteringskostnaden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Self-supervised Learning for Semantic Segmentation. ScholarGate. https://scholargate.app/sv/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.
- InstanssegmenteringDjupinlärning↔ compare
- Självövervakad faltningsnätverkDjupinlärning↔ compare
- Självövervakad Vision TransformerDjupinlärning↔ compare
- Semantisk segmenteringDjupinlärning↔ compare
- Vision TransformerDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →