Clasificación de imágenes semi-supervisada
La clasificación de imágenes semi-supervisada entrena redes neuronales profundas con un pequeño conjunto de imágenes etiquetadas junto con un grupo mucho mayor de imágenes sin etiquetar. Técnicas como el pseudo-etiquetado, la regularización por consistencia y el umbral de confianza permiten al modelo aprovechar la estructura de los datos sin etiquetar, reduciendo drásticamente la necesidad de anotación manual costosa y al mismo tiempo acercándose a la precisión totalmente supervisada.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/es/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.
- Clasificación de Imágenes Mediante Ajuste FinoAprendizaje profundo↔ compare
- Clasificación de imágenesAprendizaje profundo↔ compare
- Clasificación de imágenes auto-supervisadaAprendizaje profundo↔ compare
- Aprendizaje por transferencia con clasificación de imágenesAprendizaje profundo↔ compare
- Clasificación de imágenes con supervisión débilAprendizaje profundo↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →