Forskere har præsenteret CW-BASS v2, en metode til semi-supervised semantisk segmentering, der løser et centralt problem, når moderne foundation-modeller bruges som lærere. Traditionelle metoder til at vælge pseudo-labels er designet til svagere modeller, men med en DINOv2-lærer stiger selvtilliden så meget, at de gamle regler kan skade resultatet. CW-BASS v2 læser i stedet lærer-modellens selvtillidsregime og vælger automatisk mellem streng filtrering og en adaptiv grænse, hvilket forbedrer resultaterne på benchmarks som Pascal VOC og ADE20K. Læs mere i den originale paper.
For beslutningstagere betyder det, at semi-supervised tilgange kan blive mere pålidelige og effektive, især når man anvender store foundation-modeller i produktionsmiljøer. Metoden reducerer risikoen for bekræftelsesbias, hvor modellen lærer af sine egne fejl, og kan dermed føre til bedre ydeevne med færre annoterede data. Det er relevant for virksomheder, der bygger computer-vision-systemer, hvor mærkede data er dyre eller begrænsede.
