Slabo nadgledana semantička segmentacija
Slabo nadgledana semantička segmentacija (WSSS) obučava parsere scene na nivou piksela koristeći samo jeftine, grube anotacije — tipično oznake klase na nivou slike — umesto skupih gustih maski piksela. Generisanjem proksi pseudo-oznaka iz klasifikacione mreže (putem mapa aktivacije klase ili sličnih lokacionih pokazatelja) i njihovim iterativnim rafiniranjem, WSSS omogućava postizanje tačnosti pune supervizije uz delić troškova anotacije.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Weakly Supervised Semantic Segmentation (WSSS). ScholarGate. https://scholargate.app/sr/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.
- Detekcija objekataDuboko učenje↔ compare
- Samostalno učenjeMašinsko učenje↔ compare
- Semantička segmentacijaDuboko učenje↔ compare
- Semi-supervised LearningMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →