Self-supervised Image Classification
Self-supervised image classification trains a deep visual encoder on large unlabeled image datasets by solving proxy tasks — such as predicting which two augmented views of the same image are similar — and then fine-tunes only a lightweight classifier head on labeled examples. Pioneered by frameworks such as SimCLR and MoCo around 2020, it drastically reduces the need for expensive manual annotation while achieving accuracy rivaling fully supervised models.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.