Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 7 von 24
Zurück zur Trefferliste

Abstract: Semi-supervised Segmentation Based on Error-correcting Supervision

  • Pixel-level classification is an essential part of computer vision. For learning from labeled data, many powerful deep learning models have been developed recently. In this work, we augment such supervised segmentation models by allowing them to learn from unlabeled data. Our semi-supervised approach, termed Error-Correcting Supervision, leverages a collaborative strategy. Apart from the supervised training on the labeled data, the segmentation network is judged by an additional network.

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Verfasserangaben:Robert MendelORCiD, Luis Antonio De Souza Jr.ORCiD, David Rauber, João Paulo PapaORCiD, Christoph PalmORCiDGND
DOI:https://doi.org/10.1007/978-3-658-33198-6_43
ISBN:978-3-658-33197-9
Titel des übergeordneten Werkes (Englisch):Bildverarbeitung für die Medizin 2021. Proceedings, German Workshop on Medical Image Computing, Regensburg, March 7-9, 2021
Verlag:Springer Vieweg
Verlagsort:Wiesbaden
Dokumentart:Konferenzveröffentlichung (Präsentation, Abstract)
Sprache der Veröffentlichung:Englisch
Jahr der Veröffentlichung:2021
Datum der Freischaltung:10.03.2021
GND-Schlagwort:Deep Learning
Erste Seite:178
Fakultäten / Institute / Einrichtungen:Fakultät Informatik und Mathematik
Regensburg Center of Health Sciences and Technology - RCHST
Fakultät Informatik und Mathematik / Regensburg Medical Image Computing (ReMIC)
Forschungsschwerpunkt:Lebenswissenschaften und Ethik
Lizenz (Deutsch):Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG