Semi-überwachtes Faltungsneuronales Netz
Ein semi-überwachtes CNN trainiert ein Faltungsnetzwerk gleichzeitig auf einem kleinen Satz gelabelter Bilder und einem größeren Pool ungelabelter Bilder. Dabei werden Techniken wie Pseudo-Labeling und Konsistenzregularisierung eingesetzt, um Überwachungssignale aus ungelabelten Daten zu extrahieren. Diese Strategie schließt einen Großteil der Leistungslücke, die durch knappe Annotationen entsteht, ohne zusätzlichen manuellen Labeling-Aufwand zu erfordern.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Quellen
- Lee, D.-H. (2013). Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. ICML Workshop on Challenges in Representation Learning. link ↗
- Tarvainen, A. & Valpola, H. (2017). Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results. Advances in Neural Information Processing Systems (NeurIPS), 30. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Convolutional Neural Network (SSL-CNN). ScholarGate. https://scholargate.app/de/deep-learning/semi-supervised-convolutional-neural-network
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.
- Feinabgestimmtes Convolutional Neural NetworkDeep Learning↔ compare
- Selbstüberwachtes Convolutional Neural NetworkDeep Learning↔ compare
- Semi-überwachte BildklassifikationDeep Learning↔ compare
- Transfer Learning mit Convolutional Neural NetworkDeep Learning↔ compare
- Schwache CNNs (Weakly Supervised Convolutional Neural Network)Deep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →