Segmentasi Semantik Semi-Terawasi
Segmentasi semantik semi-terawasi melatih model pelabelan tingkat piksel menggunakan sejumlah kecil gambar berlabel lengkap yang dikombinasikan dengan jumlah gambar tak berlabel yang jauh lebih besar. Teknik seperti pelabelan semu (pseudo-labeling) dan regularisasi konsistensi mengekstrak sinyal pengawasan dari data tak berlabel, sehingga memungkinkan pencapaian akurasi mendekati terawasi penuh dengan sebagian kecil biaya anotasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/id/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.
- Segmentasi InstansPembelajaran Mendalam↔ compare
- Segmentasi Semantik MandiriPembelajaran Mendalam↔ compare
- Semantic SegmentationPembelajaran Mendalam↔ compare
- Convolutional Neural Network Semi-terawasiPembelajaran Mendalam↔ compare
- Segmentasi Semantik yang Diawasi Secara LemahPembelajaran Mendalam↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →