A Comprehensive Analysis of Weakly-Supervised Semantic Segmentation in Different Image Domains
Notice bibliographique
Résumé
<strong>Content</strong> This repository contains pre-trained computer vision models, data labels, and images used in the pre-print publication "A Comprehensive Analysis of Weakly-Supervised Semantic Segmentation in Different Image Domains": <em>ADPdevkit</em>: a folder containing the 50 validation ("tuning") set and 50 evaluation ("segtest") set of images from the Atlas of Digital Pathology database formatted in the VOC2012 style--the full database of 17,668 images is available for download from the original website <em>VOCdevkit</em>: a folder containing the relevant files for the PASCAL VOC2012 Segmentation dataset, with both the trainaug and test sets <em>DGdevkit</em>: a folder containing the 803 test images of the DeepGlobe Land Cover challenge dataset formatted in the VOC2012 style <em>cues</em>: a folder containing the pre-generated weak cues for ADP, VOC2012, and DeepGlobe datasets, as required for the SEC and DSRG methods <em>models_cnn</em>: a folder containing the pre-trained CNN models <em>models_wsss</em>: a folder containing the pre-trained SEC, DSRG, and IRNet models, along with dense CRF settings <strong>More information</strong> For more information, please refer to the following article. <strong>Please cite this article when using the data set.</strong> @misc{chan2019comprehensive,<br> title={A Comprehensive Analysis of Weakly-Supervised Semantic Segmentation in Different Image Domains},<br> author={Lyndon Chan and Mahdi S. Hosseini and Konstantinos N. Plataniotis},<br> year={2019},<br> eprint={1912.11186},<br> archivePrefix={arXiv},<br> primaryClass={cs.CV}<br> } For the full code released on GitHub, please visit the repository at: https://github.com/lyndonchan/wsss-analysis <strong>Contact</strong> For questions, please contact:<br> Lyndon Chan<br> lyndon.chan@mail.utoronto.ca<br> http://orcid.org/0000-0002-1185-7961
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».