Classificació d'imatges semi-supervisada
La classificació d'imatges semi-supervisada entrena xarxes neuronals profundes amb un petit conjunt d'imatges etiquetades juntament amb un conjunt molt més gran d'imatges no etiquetades. Tècniques com el pseudo-etiquetatge, la regularització de consistència i el llindar de confiança permeten al model aprofitar l'estructura de les dades no etiquetades, reduint dràsticament la necessitat d'anotació manual costosa mentre s'aproxima a la precisió totalment supervisada.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- Lee, D.-H. (2013). Pseudo-Label: The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Networks. ICML 2013 Workshop on Challenges in Representation Learning. link ↗
- Sohn, K., Berthelot, D., Li, C.-L., Zhang, Z., Carlini, N., Cubuk, E. D., Kurakin, A., Zhang, H., & Raffel, C. (2020). FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence. Advances in Neural Information Processing Systems, 33, 596–608. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/ca/deep-learning/semi-supervised-image-classification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Classificació d'imatges amb ajustament fi (Fine-Tuning)Aprenentatge profund↔ compare
- Classificació d'imatgesAprenentatge profund↔ compare
- Classificació d'imatges auto-supervisadaAprenentatge profund↔ compare
- Aprenentatge per transferència amb classificació d'imatgesAprenentatge profund↔ compare
- Classificació d'imatges amb supervisió febleAprenentatge profund↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →