최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기주관연구기관 | 한국과학기술원 Korea Advanced Institute of Science and Technology |
---|---|
연구책임자 | 황성주 |
참여연구자 | 김동균 , 김성년 , 정혜원 , 홍형권 |
보고서유형 | 최종보고서 |
발행국가 | 대한민국 |
언어 | 한국어 |
발행년월 | 2021-01 |
과제시작연도 | 2020 |
주관부처 | 과학기술정보통신부 Ministry of Science and ICT |
등록번호 | TRKO202100009427 |
과제고유번호 | 1711125271 |
사업명 | 한국과학기술원연구운영비지원(R&D)(주요사업비) |
DB 구축일자 | 2021-08-21 |
키워드 | 준지도 학습.의미 분할.일관성 손실.semi-supervised learning.semantic segmentation.consistency loss. |
준감독 학습은 의미 분할 과제에서 비용이 많이 드는 픽셀별 레이블링을 해결하는 데 도움이 된다. 본 연구에서는 준감독 학습 방식에서의 의미 분할 작업에 대한 새로운 방식을 제안한다. 제안한 모델에서는 준감독 학습에서의 일관성 정규화를 전반적으로 활용하였으며 이미지-레이블 쌍을 증폭하고 혼합하여 분할 문제를 푸는 새로운 혼합 프레임워크를 제시 한다. 물체 혼합 프레임워크의 성능을 검증하기 위해 의료 데이터셋인 ISIC-2017과 의미분할 벤치마킹 데이터셋 Pascal VOC에서 실험을 진행했다. 모든 실험에서 물체 기반 혼합 방법인
Semi-supervised learning could be useful for semantic segmentation as dense pixel-wise labeling of images is costly. In this work, we propose a novel approach for semantic segmentation tasks in semi-supervised learning methods. The proposed model utilizes consistency regularization in semi-supervise
※ AI-Helper는 부적절한 답변을 할 수 있습니다.