Avancerad sökning

Hittade 3 uppsatser som matchar ovanstående sökkriterier.

  1. 1. Self-learning for 3D segmentation of medical images from single and few-slice annotation

    Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

    Författare :Côme Lassarat; [2023]
    Nyckelord :Self-supervised Learning; Segmentation; Medical images; Självövervakad inlärning; segmentering; medicinska bilder;

    Sammanfattning : Training deep-learning networks to segment a particular region of interest (ROI) in 3D medical acquisitions (also called volumes) usually requires annotating a lot of data upstream because of the predominant fully supervised nature of the existing stateof-the-art models. To alleviate this annotation burden for medical experts and the associated cost, leveraging self-learning models, whose strength lies in their ability to be trained with unlabeled data, is a natural and straightforward approach. LÄS MER

  3. 2. "Så", ska det taggas som adverb? : En granskning av hur annoteringsverktyget Swegram ordklasstaggar elevtexter i svenska och svenska som andraspråk

    M1-uppsats, Uppsala universitet/Institutionen för nordiska språk

    Författare :Eva Josefsson; [2017]
    Nyckelord :annoteringsverktyg; ordklasstaggning; automatisk textanalys; nationella prov; elevtext;

    Sammanfattning : Den här uppsatsen undersöker hur väl annoteringsverktyget Swegram utför analysdelen ordklassbestämning, så kallad ordklasstaggning, av elevtexter i svenska och svenska som andraspråk. Syftet är att undersöka tillförlitligheten i verktyget och om avvikelser i ordklasstaggningen finns från manualen till SUC (Ejerhed et al 1992) samt från traditionell grammatisk ordklassanalys enligt SAOL vill jag undersöka i hur stor omfattning det sker och i vilka ordklasser det är mest frekvent. LÄS MER

  4. 3. Automatic Image Annotation by Sharing Labels Based on Image Clustering

    Master-uppsats, KTH/Skolan för datavetenskap och kommunikation (CSC)

    Författare :Anton Spång; [2017]
    Nyckelord :Clustering; automatic; image annotation; sharing labels; CNN; Convolutional; Neural Network; Klustering; automatisk; bildannotering; CNN; Konvolutionellt; Neuralt nätverk;

    Sammanfattning : The growth of image collection sizes during the development has currently made manual annotation unfeasible, leading to the need for accurate and time efficient image annotation methods. This project evaluates a system for Automatic Image Annotation to see if it is possible to share annotations between images based on un-supervised clustering. LÄS MER