Machine learningDeep learning / NLP / CV
준지도 학습 의미론적 분할
준지도 학습 의미론적 분할은 소량의 완전 레이블링된 이미지와 훨씬 더 많은 레이블링되지 않은 이미지를 함께 사용하여 픽셀 수준 레이블링 모델을 학습시킵니다. 의사 레이블링(pseudo-labeling) 및 일관성 정규화(consistency regularization)와 같은 기법은 레이블링되지 않은 데이터에서 감독 신호를 추출하여, 주석 비용의 일부만으로 거의 완전 지도 학습 수준의 정확도를 달성할 수 있게 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/ko/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.
- 인스턴스 분할딥러닝↔ compare
- 픽셀 단위의 수동 주석 마스크에 의존하지 않고 이미지의 모든 픽셀에 클래스 레이블을 할당하도록 학습하는 자기 지도 의미론적 분할.딥러닝↔ compare
- Semantic segmentation딥러닝↔ compare
- 준지도학습 합성곱 신경망딥러닝↔ compare
- 약한 지도 의미론적 분할딥러닝↔ compare