Segmentation sémantique semi-supervisée
La segmentation sémantique semi-supervisée entraîne des modèles d'étiquetage au niveau du pixel en utilisant un petit ensemble d'images entièrement étiquetées, combiné à un ensemble beaucoup plus grand d'images non étiquetées. Des techniques telles que le pseudo-étiquetage et la régularisation de cohérence extraient un signal de supervision des données non étiquetées, permettant d'atteindre une précision proche de la supervision complète à une fraction du coût d'annotation.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/fr/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.
- Segmentation d'instancesApprentissage profond↔ compare
- Segmentation sémantique auto-superviséeApprentissage profond↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
- CNN convolutive semi-superviséeApprentissage profond↔ compare
- Segmentation Sémantique Faiblement SuperviséeApprentissage profond↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →