摘要

语义分割任务在发展中呈现这样的矛盾，在推理的准确性和标注所花费的时间之间。逐像素的细节标注可以训练更准确的模型，但要花费更多的时间。图片级别的标注是一个容易实现的方式，但结果会得到不准确的模型。我们很自然的选择了比图片级标注更强一点的监督方式：为每一个存在的对象标注一个点，我们试着将这种点标注与实例级别任务的损失函数结合，形成卷积神经网络。在pascal voc2012的实验结果表明，相比图片级标注，这种结合使结果提升了12.9%的mIOU。另外，我们演示了使用点标注进行训练的模型相比图片级标注更准确，相比像素级全监督耗时更少。

##

简介

原文地址：http://www.cnblogs.com/fdbwymz/p/16856978.html

1. 本站所有资源来源于用户上传和网络，如有侵权请邮件联系站长！ 2. 分享目的仅供大家学习和交流，请务用于商业用途! 3. 如果你也有好源码或者教程，可以到用户中心发布，分享有积分奖励和额外收入！ 4. 本站提供的源码、模板、插件等等其他资源，都不包含技术服务请大家谅解！ 5. 如有链接无法下载、失效或广告，请联系管理员处理！ 6. 本站资源售价只是赞助，收取费用仅维持本站的日常运营所需！ 7. 如遇到加密压缩包，默认解压密码为"gltf",如遇到无法解压的请联系管理员！ 8. 因为资源和程序源码均为可复制品，所以不支持任何理由的退款兑现，请斟酌后支付下载 声明：如果标题没有注明"已测试"或者"测试可用"等字样的资源源码均未经过站长测试.特别注意没有标注的源码不保证任何可用性