Puss-uzraudzīta attēlu klasifikācija
Puss-uzraudzīta attēlu klasifikācija apmāca dziļos neironu tīklus, izmantojot nelielu skaitu iezīmētu attēlu kopā ar daudz lielāku neiezīmētu attēlu kopu. Tādas metodes kā pseidoluķu piešķiršana, konsekvences regularizācija un ticamības sliekšņošana ļauj modelim izmantot neiezīmēto datu struktūru, dramatiski samazinot dārgās manuālās anotācijas nepieciešamību, vienlaikus tuvojoties pilnībā uzraudzītai precizitātei.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/lv/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.
- Sīkāka pielāgošana attēlu klasifikācijaiDziļā mācīšanās↔ compare
- Attēlu klasifikācijaDziļā mācīšanās↔ compare
- Pašuzraudzītā attēlu klasifikācijaDziļā mācīšanās↔ compare
- Pārneses apmācība attēlu klasifikācijāDziļā mācīšanās↔ compare
- Vāji uzraudzīta attēlu klasifikācijaDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →