一种综合数据集训练分割模型的综合模型
原文中文，约400字，阅读约需1分钟。发表于：。通过结合多个部分注释数据集，我们提出了一种方法将互补注释合并到一个模型中，实现更好的场景分割和使用多个可用数据集。我们的方法成功地将 6 个类别组合成一个模型，与单独训练在各个类别上的模型集合相比，总体 Dice 分数提高了 4.4%。通过包含多个类别的信息，我们成功将胃和结肠之间的混淆减少了 24%。结果证明了在多个数据集上进行模型训练的可行性，为未来进一步减少对一个大型完全分割数据集的需求铺平了道路。
研究人员通过结合多个部分注释数据集，成功将6个类别组合成一个模型，提高了场景分割的准确性，并减少了胃和结肠之间的混淆。这项研究为未来减少对大型完全分割数据集的需求提供了新的方法。
