Segmentação Semântica Semi-Supervisionada
A segmentação semântica semi-supervisionada treina modelos de rotulagem em nível de pixel usando um pequeno conjunto de imagens totalmente rotuladas, combinado com um conjunto muito maior de imagens não rotuladas. Técnicas como pseudo-rotulagem e regularização de consistência extraem sinal de supervisão de dados não rotulados, tornando possível atingir precisão próxima à totalmente supervisionada com uma fração do custo de anotação.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/pt/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.
- Segmentação de InstânciaAprendizado profundo↔ compare
- Segmentação Semântica Auto-supervisionadaAprendizado profundo↔ compare
- Segmentação semânticaAprendizado profundo↔ compare
- Rede Neural Convolucional Semi-supervisionadaAprendizado profundo↔ compare
- Segmentação Semântica Fracamente SupervisionadaAprendizado profundo↔ compare
Encontrou um problema nesta página? Relate ou sugira uma correção →