Metodin todisteiden tietue
Semi-supervised Convolutional Neural Network
A Semi-supervised CNN trains a convolutional network on a small labeled image set and a larger pool of unlabeled images simultaneously, using techniques such as pseudo-labeling and consistency regularization to extract supervisory signal from unlabeled data. This strategy closes much of the performance gap caused by scarce annotations without requiring additional human labeling effort.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
Semi-supervised Convolutional Neural Network (SSL-CNN)
Taksonominen metoditietue · ml-model / deep-learning
- 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. · URL
- 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. · URL
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Ei vielä kuratoituja väitteitä
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.