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.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Sources
- 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 ↗
- 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.
- Réseau neuronal convolutif affinéApprentissage profond↔ compare
- Réseau de neurones convolutif auto-superviséApprentissage profond↔ compare
- Classification d'images semi-superviséeApprentissage profond↔ compare
- Apprentissage par transfert avec réseau neuronal convolutifApprentissage profond↔ compare
- Réseau neuronal convolutif faiblement superviséApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →