Machine learningDeep learning / NLP / CV

CNN convolutive semi-supervisée

Une CNN semi-supervisée entraîne un réseau convolutif sur un petit ensemble d'images étiquetées et un plus grand ensemble d'images non étiquetées simultanément, en utilisant des techniques telles que le pseudo-étiquetage et la régularisation par cohérence pour extraire un signal de supervision des données non étiquetées. Cette stratégie réduit considérablement l'écart de performance causé par des annotations rares sans nécessiter d'effort d'étiquetage humain supplémentaire.

Ouvrir dans MethodMindBientôtVidéoBientôtDownload slides

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Method map

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

+2 more

Sources

  1. 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. link
  2. 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. link

Comment citer cette page

ScholarGate. (2026, June 3). Semi-supervised Convolutional Neural Network (SSL-CNN). ScholarGate. https://scholargate.app/fr/deep-learning/semi-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

Référencée par

ScholarGateSemi-supervised Convolutional Neural Network (Semi-supervised Convolutional Neural Network (SSL-CNN)). Consulté le 2026-06-15 sur https://scholargate.app/fr/deep-learning/semi-supervised-convolutional-neural-network · Jeu de données : https://doi.org/10.5281/zenodo.20539026