Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

2s-DAS: Two-Stream Diffusion with Multi-Modal Fusion for Temporal Action Segmentation.

Journal of imaging·2026
Same author

Sliding physical invariant neural operator for long-term prediction of complex dynamics in physical systems.

National science review·2026
Same author

Integrating machine learning-based molecular design with experimental validation for the discovery of EGFR inhibitors in lung cancer.

Molecular diversity·2026
Same author

Ferroelectric-Polarization-Modulated 2D Floating-Gate Memory Enabling a 10<sup>6</sup> On/Off Ratio under ±1 V Gate-Voltage Sweep.

Nano letters·2026
Same author

Enriched Environment Suppresses Neuronal Ferroptosis Through SIRT1/AKT/GSK3β-Dependent Glycogen Metabolic Reprogramming After Cerebral Ischemia-Reperfusion.

Antioxidants (Basel, Switzerland)·2026
Same author

MS-PANet: Multi-Scale Spatial Pyramid Attention for Effective Drainage Pipeline Image Dehazing.

Journal of imaging·2026

相关实验视频

Updated: Jun 10, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K

通过最佳传输进行域适应性语义细分.

Yaqian Guo1, Xin Wang1, Ce Li2

  • 1Department of Mathematics, Shanghai University, Shanghai 200444, China.

Fundamental research
|October 21, 2024
PubMed
概括

本研究介绍了一个域适应框架,使用最佳传输 (OT) 和注意力机制来对有限的标记数据进行语义场景细分. 这种方法在自动驾驶场景中显著改善了平均交叉超过联合 (mIOU) 性能.

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习
  • 自动驾驶自动驾驶的自动驾驶

背景情况:

  • 语义场景细分对于自动驾驶的感知至关重要,将标签分配给图像像素.
  • 目前的方法,通常是基于CNN的,需要大量的标记数据,这限制了它们的实际应用.
  • 使用最小的标记数据开发有效的细分是一个关键的研究挑战.

研究的目的:

  • 使用有限的标记数据开发一个域适应框架,用于语义场景细分.
  • 为了利用最佳的运输 (OT) 和注意力机制来实现强大的域调整.
  • 增强特征表示和多尺度属性,以提高细分精度.

主要方法:

  • 一个CNN生成了用于特征表示的输出空间.
  • 最佳传输 (OT) 在输出空间中对准源域和目标域,由注意力机制指导.
  • 采用多尺度细分网络来捕获各种特征属性.

主要成果:

  • 拟议的基于OT的域调整框架显著改善了平均交叉-超-联盟 (mIOU).
  • 与基准和最先进的 (SOTA) 语义细分技术相比,该方法显示出更高的性能.
  • 可视化结果证实,在各种域调整场景中,性能得到了提高.
关键词:
深度学习是一种深度学习.多层次网络网络的多层次网络.最佳的运输方式语义场景细分 语义场景细分无监督的域名适应

更多相关视频

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

370
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

8.9K

相关实验视频

Last Updated: Jun 10, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.7K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

370
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
08:25

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Published on: May 7, 2019

8.9K

结论:

  • 开发的框架有效地解决了用有限的标记数据对语义场景细分的挑战.
  • 最佳的传输和注意力机制为域调整提供了强大的和可解释的方法.
  • 多尺度细分网络增强了模型处理复杂场景属性的能力.