Semi-supervised Semantische Segmentatie
Semi-supervised semantische segmentatie traint modellen voor pixel-niveau labeling met behulp van een kleine set volledig gelabelde beelden, gecombineerd met een veel grotere set ongelabelde beelden. Technieken zoals pseudo-labeling en consistentie-regularisatie extraheren een supervisiesignaal uit ongelabelde data, waardoor het mogelijk wordt om bijna volledig gesuperviseerde nauwkeurigheid te bereiken tegen een fractie van de annotatiekosten.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/nl/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.
- InstantiesegmentatieDeep learning↔ compare
- Zelf-gesuperviseerde semantische segmentatieDeep learning↔ compare
- Semantische segmentatieDeep learning↔ compare
- Semi-supervised Convolutional Neural NetworkDeep learning↔ compare
- Zwakke gesuperviseerde semantische segmentatieDeep learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →