Semi-supervised Convolutional Neural Network
Een semi-gesuperviseerd CNN traint gelijktijdig een convolutioneel netwerk op een kleine set gelabelde beelden en een grotere verzameling ongelabelde beelden. Het maakt daarbij gebruik van technieken zoals pseudo-labeling en consistentie-regularisatie om supervisiesignalen te extraheren uit ongelabelde data. Deze strategie dicht een groot deel van de prestatiekloof die wordt veroorzaakt door schaarse annotaties, zonder extra menselijke labelinspanning te vereisen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Semi-supervised Convolutional Neural Network (SSL-CNN). ScholarGate. https://scholargate.app/nl/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.
- Fijn-afgestelde Convolutionele Neurale NetwerkenDeep learning↔ compare
- Zelf-gesuperviseerd convolutie neuraal netwerkDeep learning↔ compare
- Semi-supervised Image ClassificationDeep learning↔ compare
- Transfer Learning met Convolutional Neural NetworkDeep learning↔ compare
- Convolutie Neuraal Netwerk met Zwakke SupervisieDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →