Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Segmentación semántica profunda supervisada débilmente utilizando CNN y ELM con regiones candidatas semánticas.
La tarea de segmentación semántica consiste en obtener anotaciones sólidas a nivel de píxel para cada píxel en la imagen. Para la segmentación semántica completamente supervisada, la tarea se logra mediante un modelo de segmentación entrenado utilizando anotaciones a nivel de píxel. Sin embargo, el proceso de anotación a nivel de píxel es muy costoso y consume mucho tiempo. Para reducir el costo, el artículo propone un método de máquina de aprendizaje extremo (ELM) entrenado en regiones candidatas semánticas con etiquetas a nivel de imagen para lograr el mapeo de etiquetas a nivel de píxel. En este trabajo, el artículo plantea el problema de mapeo de píxeles como un problema de inferencia semántica de regiones candidatas. Específicamente, después de segmentar cada imagen en un conjunto de superpíxeles, los superpíxeles se combinan automáticamente para lograr la segmentación de regiones candidatas de acuerdo con el número de etiquetas a nivel de imagen. La inferencia semántica de regiones
Autores: Xu, Xinying; Li, Guiqing; Xie, Gang; Ren, Jinchang; Xie, Xinlin
Idioma: Inglés
Editor: Hindawi
Año: 2019
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 7
Citaciones: Sin citaciones
Hindawi
Complexity
Volume , Article ID 9180391, 12 pages
https://doi.org/10.1155/2019/9180391
Xu Xinying0, Li Guiqing0, Xie Gang0, Ren Jinchang0, Xie Xinlin0
College of Electrical and Power Engineering China, College of Electronic Information Engineering China, University of Strathclyde UKAcademic Editor:
Contact: @hindawi.com
La tarea de segmentación semántica consiste en obtener anotaciones sólidas a nivel de píxel para cada píxel en la imagen. Para la segmentación semántica completamente supervisada, la tarea se logra mediante un modelo de segmentación entrenado utilizando anotaciones a nivel de píxel. Sin embargo, el proceso de anotación a nivel de píxel es muy costoso y consume mucho tiempo. Para reducir el costo, el artículo propone un método de máquina de aprendizaje extremo (ELM) entrenado en regiones candidatas semánticas con etiquetas a nivel de imagen para lograr el mapeo de etiquetas a nivel de píxel. En este trabajo, el artículo plantea el problema de mapeo de píxeles como un problema de inferencia semántica de regiones candidatas. Específicamente, después de segmentar cada imagen en un conjunto de superpíxeles, los superpíxeles se combinan automáticamente para lograr la segmentación de regiones candidatas de acuerdo con el número de etiquetas a nivel de imagen. La inferencia semántica de regiones
Descripción
La tarea de segmentación semántica consiste en obtener anotaciones sólidas a nivel de píxel para cada píxel en la imagen. Para la segmentación semántica completamente supervisada, la tarea se logra mediante un modelo de segmentación entrenado utilizando anotaciones a nivel de píxel. Sin embargo, el proceso de anotación a nivel de píxel es muy costoso y consume mucho tiempo. Para reducir el costo, el artículo propone un método de máquina de aprendizaje extremo (ELM) entrenado en regiones candidatas semánticas con etiquetas a nivel de imagen para lograr el mapeo de etiquetas a nivel de píxel. En este trabajo, el artículo plantea el problema de mapeo de píxeles como un problema de inferencia semántica de regiones candidatas. Específicamente, después de segmentar cada imagen en un conjunto de superpíxeles, los superpíxeles se combinan automáticamente para lograr la segmentación de regiones candidatas de acuerdo con el número de etiquetas a nivel de imagen. La inferencia semántica de regiones