Avancerad sökning
Hittade 3 uppsatser som matchar ovanstående sökkriterier.
1. Self-learning for 3D segmentation of medical images from single and few-slice annotation
Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)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
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 språkSammanfattning : 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
3. Automatic Image Annotation by Sharing Labels Based on Image Clustering
Master-uppsats, KTH/Skolan för datavetenskap och kommunikation (CSC)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