Machine learningDeep learning / NLP / CV

Ασθενώς Επιβλεπόμενο Συνελικτικό Νευρωνικό Δίκτυο

Ένα ασθενώς επιβλεπόμενο CNN είναι ένα συνελικτικό νευρωνικό δίκτυο εκπαιδευμένο με ελλιπείς, αδρομερείς ή θορυβώδεις επισημάνσεις αντί για πλήρεις ετικέτες σε επίπεδο pixel ή οριοθετημένου πλαισίου. Τυπικές ασθενείς ετικέτες περιλαμβάνουν ετικέτες κλάσης σε επίπεδο εικόνας, μερικές επισημάνσεις ή θορυβώδεις επισημάνσεις από crowdsourcing. Το μοντέλο μαθαίνει να ταξινομεί και συχνά να εντοπίζει κατά προσέγγιση αντικείμενα χρησιμοποιώντας αυτά τα φθηνότερα, χαμηλότερης ποιότητας σήματα επίβλεψης.

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. Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2921–2929. DOI: 10.1109/CVPR.2016.319
  2. Oquab, M., Bottou, L., Laptev, I., & Sivic, J. (2015). Is object localization for free? — Weakly-supervised learning with convolutional neural networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 685–694. DOI: 10.1109/CVPR.2015.7298668

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Weakly Supervised Convolutional Neural Network. ScholarGate. https://scholargate.app/el/deep-learning/weakly-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.

Compare side by side

Αναφέρεται από

ScholarGateWeakly supervised convolutional neural network (Weakly Supervised Convolutional Neural Network). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/weakly-supervised-convolutional-neural-network · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026