Fine-Tuned Semantic Segmentation
Fine-tuned semantic segmentation adapts a deep neural network pre-trained on a large pixel-labelled dataset (e.g., ImageNet-pretrained backbone with an encoder-decoder head trained on COCO or Cityscapes) to a new target domain by continuing training on domain-specific annotated images. The result is a model that assigns a class label to every pixel in an image while leveraging rich visual representations learned from vastly more data than the target domain alone could provide.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Long, J., Shelhamer, E., & Darrell, T. (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431–3440. · DOI 10.1109/CVPR.2015.7298965
- Chen, L.-C., Papandreou, G., Kokkinos, I., Murphy, K., & Yuille, A. L. (2018). DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 40(4), 834–848. · DOI 10.1109/TPAMI.2017.2699184
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.