Obrazowanie z nadzorem częściowym
Obrazowanie z nadzorem częściowym trenuje głębokie sieci neuronowe na małym zbiorze oznakowanych obrazów wraz ze znacznie większą pulą nieoznakowanych obrazów. Techniki takie jak pseudo-etykietowanie, regularyzacja spójności i progowanie ufności pozwalają modelowi wykorzystać strukturę nieoznakowanych danych, dramatycznie zmniejszając potrzebę kosztownej ręcznej adnotacji, jednocześnie zbliżając się do dokładności pełnego nadzoru.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/pl/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.
- Dostrajanie klasyfikacji obrazówUczenie głębokie↔ compare
- Klasyfikacja obrazówUczenie głębokie↔ compare
- Samouczenie się klasyfikacji obrazówUczenie głębokie↔ compare
- Transfer Learning z klasyfikacją obrazówUczenie głębokie↔ compare
- Słabo nadzorowana klasyfikacja obrazówUczenie głębokie↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →