Classification d'images semi-supervisée
La classification d'images semi-supervisée entraîne des réseaux neuronaux profonds sur un petit ensemble d'images étiquetées, conjointement avec un pool beaucoup plus large d'images non étiquetées. Des techniques telles que le pseudo-étiquetage, la régularisation par cohérence et le seuillage de confiance permettent au modèle de tirer parti de la structure des données non étiquetées, réduisant considérablement le besoin d'annotations manuelles coûteuses tout en approchant la précision de la supervision complète.
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.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/fr/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.
- Classification d'images par réglage finApprentissage profond↔ compare
- Classification d'imagesApprentissage profond↔ compare
- Classification d'images auto-superviséeApprentissage profond↔ compare
- Apprentissage par transfert pour la classification d'imagesApprentissage profond↔ compare
- Classification d'images faiblement superviséeApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →