Machine learningDeep learning / NLP / CV

Semi-supervised Object Detection (Pseudo-label / Mean-Teacher Paradigm)

Η επισήμανση πλαισίων είναι πολύ πιο δαπανηρή από τις ετικέτες σε επίπεδο εικόνας: κάθε πλαίσιο απαιτεί εντοπισμό, μέγεθος και ταξινόμηση ενός αντικειμένου. Η ημι-επιβλεπόμενη ανίχνευση αντικειμένων επαναχρησιμοποιεί μη επισημασμένες εικόνες έχοντας έναν εκπαιδευμένο δάσκαλο να προβλέπει πλαίσια και βαθμολογίες σε αυτές· αυτές οι σίγουρες προβλέψεις γίνονται δωρεάν σήμα εκπαίδευσης. Ο μαθητής στη συνέχεια μαθαίνει τόσο από τα λιγοστά ανθρώπινα επισημασμένα πλαίσια όσο και από τα άφθονα ψευδο-επισημασμένα. Παραλλαγές Mean-teacher διατηρούν τον δάσκαλο ως εκθετικό κινητό μέσο όρο του μαθητή, σταθεροποιώντας την ποιότητα των ψευδο-ετικετών καθώς η εκπαίδευση προχωρά.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Sohn, K., Zhang, Z., Li, C.-L., Zhang, H., Lee, C.-Y., & Pfister, T. (2020). A Simple Semi-Supervised Learning Framework for Object Detection. arXiv preprint arXiv:2005.04757. link
  2. Liu, Y.-C., Ma, C.-Y., He, Z., Kuo, C.-W., Chen, K., Zhang, P., Wu, B., Kira, Z., & Vajda, P. (2021). Unbiased Teacher for Semi-Supervised Object Detection. ICLR 2021. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Semi-supervised Object Detection (Pseudo-label / Mean-Teacher Paradigm). ScholarGate. https://scholargate.app/el/deep-learning/semi-supervised-object-detection

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.

Compare side by side

Αναφέρεται από

ScholarGateSemi-supervised Object Detection (Semi-supervised Object Detection (Pseudo-label / Mean-Teacher Paradigm)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/semi-supervised-object-detection · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026