Classificação de Imagens Semi-supervisionada
A classificação de imagens semi-supervisionada treina redes neurais profundas em um pequeno conjunto de imagens rotuladas juntamente com um conjunto muito maior de imagens não rotuladas. Técnicas como pseudo-rotulagem (pseudo-labeling), regularização de consistência e limiarização de confiança permitem que o modelo aproveite a estrutura dos dados não rotulados, reduzindo drasticamente a necessidade de anotação manual dispendiosa, ao mesmo tempo que se aproxima da precisão totalmente supervisionada.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Semi-supervised Image Classification with Deep Neural Networks. ScholarGate. https://scholargate.app/pt/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.
- Classificação de Imagens Fine-TunedAprendizado profundo↔ compare
- Classificação de ImagensAprendizado profundo↔ compare
- Classificação de Imagens Auto-supervisionadaAprendizado profundo↔ compare
- Transfer Learning com Classificação de ImagensAprendizado profundo↔ compare
- Classificação de Imagens Fracamente SupervisionadaAprendizado profundo↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →