Segmentasi Semantik Semi-Terawasi
Segmentasi semantik semi-terawasi melatih model pelabelan peringkat piksel menggunakan sejumlah kecil imej berlabel penuh digabungkan dengan sejumlah besar imej tidak berlabel. Teknik seperti pelabelan palsu dan regularisasi konsistensi mengekstrak isyarat penyeliaan daripada data tidak berlabel, membolehkan ketepatan hampir seperti penyeliaan penuh dicapai pada sebahagian kecil kos anotasi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/ms/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 Kendiri-BerpanduPembelajaran Mendalam↔ compare
- Semantic SegmentationPembelajaran Mendalam↔ compare
- Rangkaian Saraf Konvolusional Separuh-TerawasiPembelajaran Mendalam↔ compare
- Segmentasi Semantik Berbantukan KelemahanPembelajaran Mendalam↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →