Слабо контролируемая семантическая сегментация
Слабо контролируемая семантическая сегментация (WSSS) обучает парсеры сцен на уровне пикселей, используя только дешевые, грубые аннотации — обычно теги классов на уровне изображения — вместо дорогостоящих плотных масок пикселей. Генерируя прокси-псевдо-метки из классификационной сети (через карты активации классов или аналогичные локализационные подсказки) и итеративно уточняя их, WSSS приближает точность полного контроля ценой снижения затрат на аннотацию.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning Deep Features for Discriminative Localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
- Ahn, J., & Kwak, S. (2018). Learning Pixel-Wise Semantic Affinity with Image-Level Supervision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4109–4118. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/ru/deep-learning/weakly-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.
- Обнаружение объектовГлубокое обучение↔ compare
- Самообучение с учителемМашинное обучение↔ compare
- Семантическая сегментацияГлубокое обучение↔ compare
- Обучение с частичной разметкойМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →