Resumen

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

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Segmentación semántica; Anotaciones a nivel de píxeles; Máquina de aprendizaje extremo; Regiones candidatas; Etiquetas a nivel de imagen; Superpíxeles
• Keywords:Semantic segmentation; Pixel-level annotations; Extreme learning machine; Candidate regions; Image-level labels; Superpixels