Segmentación semántica semi-supervisada
La segmentación semántica semi-supervisada entrena modelos de etiquetado a nivel de píxel utilizando un pequeño conjunto de imágenes completamente etiquetadas junto con un conjunto mucho mayor de imágenes sin etiquetar. Técnicas como el pseudo-etiquetado y la regularización por consistencia extraen señales de supervisión de los datos sin etiquetar, lo que permite alcanzar una precisión cercana a la de la supervisión completa con una fracción del coste de anotación.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/es/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.
- Segmentación de instanciasAprendizaje profundo↔ compare
- Segmentación Semántica Auto-supervisadaAprendizaje profundo↔ compare
- Segmentación semánticaAprendizaje profundo↔ compare
- Red Neuronal Convolucional Semi-supervisadaAprendizaje profundo↔ compare
- Segmentación Semántica Débilmente SupervisadaAprendizaje profundo↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →