เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| แบบจำลองการแพร่กระจายแบบกำกับดูแลอย่างอ่อน (Weakly Supervised Diffusion Model)× | การแบ่งส่วนเชิงความหมายแบบมีผู้สอนแบบอ่อน× | |
|---|---|---|
| สาขาวิชา | การเรียนรู้เชิงลึก | การเรียนรู้เชิงลึก |
| ตระกูล | Machine learning | Machine learning |
| ปีกำเนิด≠ | 2022–2024 | 2014–2016 |
| ผู้ริเริ่ม≠ | Ho et al. (DDPM foundation); weak supervision integration by multiple groups, 2022–2024 | Multiple contributors; Class Activation Mapping (Zhou et al., 2016) is foundational |
| ประเภท≠ | Generative model with imperfect supervision | Pixel-level classification with image-level or coarse supervision |
| แหล่งต้นตำรับ≠ | Ho, J., Jain, A., & Abbeel, P. (2020). Denoising Diffusion Probabilistic Models. Advances in Neural Information Processing Systems (NeurIPS), 33, 6840–6851. link ↗ | 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 ↗ |
| ชื่อเรียกอื่น | WS-Diffusion, weakly supervised DDPM, label-efficient diffusion model, noisy-label diffusion training | WSSS, weak-label segmentation, image-level supervised segmentation, weakly-labeled pixel classification |
| ที่เกี่ยวข้อง≠ | 6 | 4 |
| สรุป≠ | A weakly supervised diffusion model trains or conditions a denoising diffusion probabilistic model using coarse, noisy, or incomplete supervision signals — such as image-level class labels, bounding boxes, or crowd-sourced annotations — instead of pixel-precise ground truth. This allows high-quality generative and discriminative outputs in annotation-scarce settings where full labeling is infeasible or prohibitively expensive. | Weakly Supervised Semantic Segmentation (WSSS) trains pixel-level scene parsers using only cheap, coarse annotations — typically image-level class tags — instead of costly dense pixel masks. By generating proxy pseudo-labels from a classification network (via Class Activation Maps or similar localisation cues) and iteratively refining them, WSSS brings full-supervision accuracy within reach at a fraction of the annotation cost. |
| ScholarGateชุดข้อมูล ↗ |
|
|