เปรียบเทียบวิธี

	การแบ่งส่วนภาพตามความหมายแบบเรียนรู้ด้วยตนเอง	โครงข่ายประสาทเทียมคอนโวลูชันแบบเรียนรู้ด้วยตนเอง
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2020–2022	2018–2020
ผู้ริเริ่ม	Multiple groups (Caron et al.; Hamilton et al. among key contributors)	LeCun, Y. (CNN backbone); Chen et al. and He et al. (self-supervised visual frameworks)
ประเภท	Self-supervised dense prediction	Self-supervised deep learning
แหล่งต้นตำรับ	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.	Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A Simple Framework for Contrastive Learning of Visual Representations. In Proceedings of the 37th International Conference on Machine Learning (ICML 2020), PMLR 119, 1597–1607.
ชื่อเรียกอื่น	SSL semantic segmentation, unsupervised semantic segmentation, label-free semantic segmentation, self-supervised dense prediction	Self-supervised CNN, SSL-CNN, contrastive CNN, pretext-task CNN
ที่เกี่ยวข้อง	5	5
สรุป	Self-supervised semantic segmentation learns to assign a class label to every pixel of an image without relying on manually annotated segmentation masks. A backbone network is first trained on large quantities of unlabeled images using self-supervised objectives such as contrastive learning or masked image modeling, and the resulting dense features are then used to partition and label image regions, achieving competitive segmentation quality at a fraction of the annotation cost.	A self-supervised convolutional neural network (CNN) learns powerful visual representations from unlabeled images by solving pretext tasks — such as contrastive instance discrimination or masked-patch prediction — and then fine-tunes on a small labeled set. This approach dramatically reduces dependence on large annotated datasets while preserving the spatial feature-extraction strengths of convolutional architectures.