Schwache überwachte semantische Segmentierung
Schwache überwachte semantische Segmentierung (WSSS) trainiert pixelgenaue Szenen-Parser unter Verwendung von nur günstigen, groben Annotationen – typischerweise bildbezogene Klassen-Tags – anstelle von kostspieligen dichten Pixelmasken. Durch die Generierung von Proxy-Pseudo-Labels aus einem Klassifikationsnetzwerk (mittels Class Activation Maps oder ähnlicher Lokalisierungshinweise) und deren iterative Verfeinerung bringt WSSS die Genauigkeit der vollständigen Überwachung zu einem Bruchteil der Annotationskosten in Reichweite.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/de/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.
- ObjekterkennungDeep Learning↔ compare
- Selbstüberwachtes LernenMaschinelles Lernen↔ compare
- Semantische SegmentierungDeep Learning↔ compare
- Semi-Supervised LearningMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →