Estudo de estratégia de aprendizado auto-supervisionado para aprimoramento da consistência temporal em modelo de segmentação semântica baseado em deep learning (2023)
- Authors:
- USP affiliated authors: OSÓRIO, FERNANDO SANTOS - ICMC ; BARBOSA, FELIPE MANFIO - ICMC
- Unidade: ICMC
- DOI: 10.5753/semish.2023.230573
- Subjects: APRENDIZAGEM PROFUNDA; ESTABILIDADE; VISÃO COMPUTACIONAL
- Agências de fomento:
- Language: Português
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2023
- Source:
- Conference titles: Congresso da Sociedade Brasileira de Computação - CSBC
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: bronze
-
ABNT
BARBOSA, Felipe Manfio e OSÓRIO, Fernando Santos. Estudo de estratégia de aprendizado auto-supervisionado para aprimoramento da consistência temporal em modelo de segmentação semântica baseado em deep learning. 2023, Anais.. Porto Alegre: SBC, 2023. Disponível em: https://doi.org/10.5753/semish.2023.230573. Acesso em: 29 dez. 2025. -
APA
Barbosa, F. M., & Osório, F. S. (2023). Estudo de estratégia de aprendizado auto-supervisionado para aprimoramento da consistência temporal em modelo de segmentação semântica baseado em deep learning. In Anais. Porto Alegre: SBC. doi:10.5753/semish.2023.230573 -
NLM
Barbosa FM, Osório FS. Estudo de estratégia de aprendizado auto-supervisionado para aprimoramento da consistência temporal em modelo de segmentação semântica baseado em deep learning [Internet]. Anais. 2023 ;[citado 2025 dez. 29 ] Available from: https://doi.org/10.5753/semish.2023.230573 -
Vancouver
Barbosa FM, Osório FS. Estudo de estratégia de aprendizado auto-supervisionado para aprimoramento da consistência temporal em modelo de segmentação semântica baseado em deep learning [Internet]. Anais. 2023 ;[citado 2025 dez. 29 ] Available from: https://doi.org/10.5753/semish.2023.230573 - Um estudo comparativo de métodos de deep learning aplicados à segmentação semântica de obstáculos, zonas seguras e não seguras para navegação a partir de dados RGB-D
- Self-supervised temporal consistency applied to domain adaptation in semantic segmentation of urban scenes
- 3D perception for autonomous mobile robots navigation using deep learning for safe zones detection: a comparative study
- In defense of multimodal and temporal data for unsupervised domain adaptation
- Temporal consistency as pretext task in unsupervised domain adaptation for semantic segmentation
- CARINA Project: visual perception systems applied for autonomous vehicles and advanced driver assistance systems (ADAS)
- TCDA: Temporally-Consistent Depth-Aware Unsupervised Domain Adaptation for Semantic Segmentation in Urban Scenes
- RNAs em hardware para navegação de veículos autônomos baseada em visão
- Co-projeto de hardware/software para correlação de imagens
- Hardware/software co-design for image cross-correlation
Informações sobre o DOI: 10.5753/semish.2023.230573 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3182479.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
