Daļēji pašuzraudzīta semantiskā segmentācija
Pus pašuzraudzītā semantiskā segmentācija trenē modeļus pikseļu līmeņa marķēšanai, izmantojot nelielu pilnībā marķētu attēlu kopumu, kas apvienots ar daudz lielāku nenosauktu attēlu kopumu. Tādas metodes kā pseidomarķēšana un konsekvences regularizācija iegūst uzraudzības signālu no nenosauktiem datiem, ļaujot sasniegt gandrīz pilnībā uzraudzītu precizitāti, samazinot anotācijas izmaksas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/lv/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.
- Instance segmentācijaDziļā mācīšanās↔ compare
- Pašuzraudzīta semantiskā segmentācijaDziļā mācīšanās↔ compare
- Semantiskā segmentācijaDziļā mācīšanās↔ compare
- Daļēji uzraudzīts konvolucionāls neironu tīklsDziļā mācīšanās↔ compare
- Vāji uzraudzīta semantiskā segmentācijaDziļā mācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →