ScholarGate
Assistant
Machine learningDeep learning / NLP / CV

Segmentation d'instances faiblement supervisée

La segmentation d'instances faiblement supervisée entraîne des réseaux profonds à délimiter des instances d'objets individuelles au niveau du pixel en utilisant uniquement des annotations peu coûteuses et incomplètes — telles que des boîtes englobantes, des étiquettes au niveau de l'image ou des clics de point — plutôt que des masques complets pixel par pixel. Elle réduit considérablement l'effort d'annotation tout en produisant des masques au niveau de l'instance pour chaque objet d'une image.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

The neighbourhood of related methods — select a node to explore.

Sources

  1. Hsu, C.-C., Hsu, K.-J., Tsai, C.-C., Lin, Y.-Y., & Chuang, Y.-Y. (2019). Weakly supervised instance segmentation using the bounding box tightness prior. Advances in Neural Information Processing Systems (NeurIPS), 32. link
  2. Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2921–2929. DOI: 10.1109/CVPR.2016.319

Comment citer cette page

ScholarGate. (2026, June 3). Weakly Supervised Instance Segmentation (Deep Learning with Incomplete Annotations). ScholarGate. https://scholargate.app/fr/deep-learning/weakly-supervised-instance-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.

Compare side by side

Référencée par

ScholarGateWeakly Supervised Instance Segmentation (Weakly Supervised Instance Segmentation (Deep Learning with Incomplete Annotations)). Consulté le 2026-06-15 sur https://scholargate.app/fr/deep-learning/weakly-supervised-instance-segmentation · Jeu de données : https://doi.org/10.5281/zenodo.20539026