Classificazione di immagini semi-supervisionata
La classificazione di immagini semi-supervisionata addestra reti neurali profonde su un piccolo insieme di immagini etichettate insieme a un pool molto più ampio di immagini non etichettate. Tecniche come lo pseudo-labeling, la regolarizzazione di consistenza e la soglia di confidenza consentono al modello di sfruttare la struttura dei dati non etichettati, riducendo drasticamente la necessità di costose annotazioni manuali pur avvicinandosi all'accuratezza della classificazione completamente supervisionata.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/it/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.
- Classificazione di immagini fine-tunedApprendimento profondo↔ compare
- Classificazione di immaginiApprendimento profondo↔ compare
- Classificazione di immagini auto-supervisionataApprendimento profondo↔ compare
- Apprendimento per trasferimento con classificazione di immaginiApprendimento profondo↔ compare
- Classificazione di immagini debolmente supervisionataApprendimento profondo↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →