STEGO

收录理由

像素级标注成本高昂，许多图像领域甚至根本不存在这样的标签。STEGO 直接回应了这一难题：它不依赖任何人工标注的掩码，就能学习语义分割。这是 ICLR 2022 论文的官方实现，核心思路是从自监督视觉 Transformer 中蒸馏特征对应关系。仓库里备好了预训练模型、评估脚本和 Colab 演示，你可以先在 Cityscapes 或 COCO-Stuff 场景上看看它的分割效果，再决定要不要投入训练。README 还详细说明了如何带入自己的无标注数据集——当你所在领域难以构建密集标签集时，这一点尤其有用。如果你正在做无监督或弱监督的计算机视觉工作，这份文档详实的参考实现值得仔细研读并加以改造。