Svagt superviseret semantisk segmentering
Svagt superviseret semantisk segmentering (WSSS) træner pixel-niveau scene-analysatorer ved kun at bruge billige, grove annotationer — typisk billed-niveau klasse-tags — i stedet for dyre, tætte pixel-masker. Ved at generere proxy pseudo-labels fra et klassifikationsnetværk (via Class Activation Maps eller lignende lokaliseringssignaler) og iterativt forfine dem, bringer WSSS fuld-supervisions-nøjagtighed inden for rækkevidde til en brøkdel af annoteringsomkostningen.
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
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning Deep Features for Discriminative Localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
- Ahn, J., & Kwak, S. (2018). Learning Pixel-Wise Semantic Affinity with Image-Level Supervision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4109–4118. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/da/deep-learning/weakly-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.
- ObjektdetektionDyb læring↔ compare
- Selvovervåget læringMaskinlæring↔ compare
- Semantisk segmenteringDyb læring↔ compare
- Semi-supervised LearningMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →