Segmentation Sémantique Faiblement Supervisée
La segmentation sémantique faiblement supervisée (WSSS) entraîne des analyseurs de scènes au niveau du pixel en utilisant uniquement des annotations peu coûteuses et grossières — typiquement des étiquettes de classe au niveau de l'image — au lieu de masques de pixels denses coûteux. En générant des pseudo-étiquettes proxy à partir d'un réseau de classification (via des cartes d'activation de classe ou des indices de localisation similaires) et en les affinant itérativement, la WSSS permet d'atteindre la précision 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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/fr/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.
- Détection d'objetsApprentissage profond↔ compare
- Apprentissage auto-superviséApprentissage automatique↔ compare
- Segmentation sémantiqueApprentissage profond↔ compare
- Apprentissage semi-superviséApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →