Metodbevispost
Visual Contrastive Learning
Visual contrastive learning is a self-supervised deep-learning approach — popularised by frameworks such as SimCLR (Chen et al., 2020) and MoCo (He et al., 2020) — that learns rich image representations without labels by pulling different augmentations of the same image together and pushing different images apart. It turns a large pool of unlabelled images into a useful feature extractor.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
Visual Contrastive Self-Supervised Learning (SimCLR / MoCo / BYOL)
Taxonomisk metodpost · ml-model / deep-learning
- Chen, T., Kornblith, S., Norouzi, M. & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. ICML. · URL
- He, K., Fan, H., Wu, Y., Xie, S. & Girshick, R. (2020). Momentum Contrast for Unsupervised Visual Representation Learning. CVPR. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Inga kuraterade påståenden ännu
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.