Semi-supervised Semantic Segmentation
Semi-supervised semantic segmentation tränar modeller för pixel-nivå-märkning med hjälp av en liten mängd fullständigt märkta bilder i kombination med en mycket större mängd omärkta bilder. Tekniker som pseudo-märkning och konsistensregularisering extraherar övervakningssignaler från omärkta data, vilket gör det möjligt att uppnå nära fullständig övervakad noggrannhet till en bråkdel av annoteringskostnaden.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Semi-supervised Semantic Segmentation (Pseudo-label and Consistency-based). ScholarGate. https://scholargate.app/sv/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.
- InstanssegmenteringDjupinlärning↔ compare
- Självövervakad semantisk segmenteringDjupinlärning↔ compare
- Semantisk segmenteringDjupinlärning↔ compare
- Semihandled konvolutionell neuralt nätverkDjupinlärning↔ compare
- Svag övervakad semantisk segmenteringDjupinlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →