文章预览
点击下方 卡片 ，关注“ 小白玩转Python ”公众号 《通过特征对应提取进行无监督语义分割》（ Unsupervised Semantic Segmentation by Distilling Feature Correspondences ）， 这篇论文将缩小有监督语义分割与无监督语义分割之间的差距。 论文下载地址如下： https://arxiv.org/abs/2203.08414 既然我们没有标签，那么 STEGO 是如何工作的呢？ 在此之前，我们先明确一下目标。 目标是什么？ 无监督语义分割的目标是在没有任何标记数据的情况下，发现并定位图像中语义上有意义的类别。 为了解决这个任务，模型应该能够生成： 语义上有意义的 每个像素的特征是 紧凑的（因为我们要对它们进行聚类） 如果你知道 Dino（没有标签的自我蒸馏）或其论文《自监督视觉变压器中的新兴特性》，否则可以将其视为一个特征提取模型。此外，这不是我们可以使用的唯一模型，只要
………………………………
