تقطیع معنایی تحت نظارت ضعیف
تقطیع معنایی تحت نظارت ضعیف (WSSS) پارسرهای صحنه در سطح پیکسل را با استفاده از حاشیهنویسیهای ارزان و درشت — معمولاً برچسبهای کلاس در سطح تصویر — به جای ماسکهای پیکسل متراکم پرهزینه آموزش میدهد. WSSS با تولید برچسبهای کاذب پراکسی از یک شبکه طبقهبندی (از طریق نقشههای فعالسازی کلاس یا سرنخهای مکانیابی مشابه) و پالایش تکراری آنها، دقت نظارت کامل را با کسری از هزینه حاشیهنویسی در دسترس قرار میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/fa/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.
- تشخیص اشیاءیادگیری عمیق↔ compare
- یادگیری خودنظارتییادگیری ماشین↔ compare
- تقسیمبندی معنایییادگیری عمیق↔ compare
- یادگیری نیمهنظارتشدهیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →