Semi-overvåget billedklassifikation
Semi-overvåget billedklassifikation træner dybe neurale netværk på et lille sæt mærkede billeder sammen med en meget større pulje af umærkede billeder. Teknikker som pseudo-mærkning, konsistensregularisering og konfidens-tærskelværdi gør det muligt for modellen at udnytte strukturen af umærkede data, hvilket dramatisk reducerer behovet for dyr manuel annotering, mens den nærmer sig fuldt-overvåget nøjagtighed.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/da/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.
- Finjusteret billedklassifikationDyb læring↔ compare
- BilledklassifikationDyb læring↔ compare
- Selv-overvåget billedklassifikationDyb læring↔ compare
- Overførselslæring med billedklassifikationDyb læring↔ compare
- Svag superviseret billedklassifikationDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →