Semi-overvåget semantisk segmentering
Semi-overvåget semantisk segmentering træner modeller til pixel-niveau-mærkning ved hjælp af et lille sæt fuldt mærkede billeder kombineret med et meget større sæt umærkede billeder. Teknikker som pseudo-mærkning og konsistensregularisering udtrækker et superviserende signal fra umærkede data, hvilket muliggør opnåelse af næsten fuldt overvåget nøjagtighed til en brøkdel af annoteringsomkostningerne.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Ouali, Y., Hudelot, C., & Tami, M. (2020). Semi-Supervised Semantic Segmentation with Cross-Consistency Training. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 12674–12684. DOI: 10.1109/CVPR42600.2020.01269 ↗
- Zou, Y., Zhang, Z., Zhang, H., Li, C.-L., Bian, X., Huang, J.-B., & Pfister, T. (2020). PseudoSeg: Designing Pseudo Labels for Semantic Segmentation. International Conference on Learning Representations (ICLR 2021). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/da/deep-learning/semi-supervised-semantic-segmentation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- InstanssegmenteringDyb læring↔ compare
- Selv-overvåget semantisk segmenteringDyb læring↔ compare
- Semantisk segmenteringDyb læring↔ compare
- Semi-overvåget Convolutional Neural NetworkDyb læring↔ compare
- Svagt superviseret semantisk segmenteringDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →