成功可信度中
其他行业 · AI应用
自监督计算机视觉模型（SEER）
研究人员开发了SEER（自监督），一个拥有十亿参数的计算机视觉模型，使用十亿张随机、未标记的公共Instagram图像进行训练。通过使用自监督学习，模型学会在图像之间寻找关系，无需人工提供的注释，这有助于减轻数据整理偏差，并能够在标记数据有限的领域（如医学影像）中进行学习。
Facebook AI发布于 2026年7月27日阅读 0
开发了SEER，一个拥有十亿参数的自监督计算机视觉模型，使用十亿张随机、未标记的公共Instagram图像进行训练。
未披露
在ImageNet上达到84.2%的top-1准确率，超越了之前最先进的自监督系统。
未披露
在目标检测等任务上优于监督模型。
未披露
01
业务背景
研究人员开发了SEER（自监督），一个拥有十亿参数的计算机视觉模型，使用十亿张随机、未标记的公共Instagram图像进行训练。通过使用自监督学习，模型学会在图像之间寻找关系，无需人工提供的注释，这有助于减轻数据整理偏差，并能够在标记数据有限的领域（如医学影像）中进行学习。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了SEER，一个拥有十亿参数的自监督计算机视觉模型，使用十亿张随机、未标记的公共Instagram图像进行训练。：
在ImageNet上达到84.2%的top-1准确率，超越了之前最先进的自监督系统。：
在目标检测等任务上优于监督模型。：
仅使用10%的ImageNet图像进行微调时达到近78%的准确率，展示了在有限标记数据下的有效性。：
使用SwAV算法，训练时间比之前的方法减少6倍。：
05
风险与边界
客户 / 负责人引述
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。