Semi-supervised Semantic Segmentation
Semi-supervised semantic segmentation trainiert Modelle zur Pixel-Label-Erstellung unter Verwendung einer kleinen Menge vollständig gelabelter Bilder in Kombination mit einer wesentlich größeren Menge ungelabelter Bilder. Techniken wie Pseudo-Labeling und Konsistenzregularisierung extrahieren ein Überwachungssignal aus ungelabelten Daten, wodurch es möglich wird, eine Genauigkeit nahe der vollständig überwachten zu einem Bruchteil der Annotationskosten zu erzielen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/de/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.
- InstanzsegmentierungDeep Learning↔ compare
- Selbstüberwachte Semantische SegmentierungDeep Learning↔ compare
- Semantische SegmentierungDeep Learning↔ compare
- Semi-überwachtes Faltungsneuronales NetzDeep Learning↔ compare
- Schwache überwachte semantische SegmentierungDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →