Meetodi tõendite kirje
Semi-supervised Semantic Segmentation
Semi-supervised semantic segmentation trains pixel-level labeling models using a small set of fully labeled images combined with a much larger set of unlabeled images. Techniques such as pseudo-labeling and consistency regularization extract supervisory signal from unlabeled data, making it possible to achieve near-fully-supervised accuracy at a fraction of the annotation cost.
Allikakirje
Tsiteeringud kopeeritud meetodi allikakirjest sõna-sõnalt. Nendest ei saa järeldada väidete tasemel kinnitust.
Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based)
Taksonoomiline meetodikirje · ml-model / deep-learning
- 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). · URL
Kureeritud väited
Väited on salvestatud tõendite registrisse, igal oma hinnanguga.
Kureeritud väiteid veel pole
See vaade ei loo väite hinnangut, kui registris seda pole.
Seotud meetodid
Genereeritud meetodigraafist ja kuvatud masina soovitatud seostena – väiteid ei järeldata.