Semi-überwachte Bildklassifikation
Die semi-überwachte Bildklassifikation trainiert tiefe neuronale Netze auf einer kleinen Menge gelabelter Bilder zusammen mit einem viel größeren Pool ungelabelter Bilder. Techniken wie Pseudo-Labeling, Konsistenzregularisierung und Konfidenzschwellenwerte ermöglichen es dem Modell, die Struktur ungelabelter Daten zu nutzen, wodurch der Bedarf an teurer manueller Annotation drastisch reduziert wird, während die Genauigkeit der voll-überwachten Klassifikation erreicht wird.
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.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/de/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.
- Feinabgestimmte BildklassifikationDeep Learning↔ compare
- BildklassifizierungDeep Learning↔ compare
- Selbstüberwachte BildklassifikationDeep Learning↔ compare
- Transfer Learning für BildklassifikationDeep Learning↔ compare
- Schwache überwachungsbasierte BildklassifikationDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →