Слабо контролируемая классификация изображений
Слабо контролируемая классификация изображений обучает свёрточные сети или сети на основе трансформеров, используя лишь грубый, неполный или зашумлённый контроль — такой как метки категорий на уровне изображения, хэштеги или собранные из интернета теги — без необходимости точного выделения ограничивающих рамок или аннотаций на уровне пикселей. Это значительно снижает затраты на разметку, позволяя при этом достигать высокой точности распознавания изображений в больших масштабах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning Deep Features for Discriminative Localization. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2921–2929. DOI: 10.1109/CVPR.2016.319 ↗
- Mahajan, D., Girshick, R., Ramanathan, V., He, K., Paluri, M., Li, Y., Bharambe, A., & van der Maaten, L. (2018). Exploring the Limits of Weakly Supervised Pretraining. Proceedings of the European Conference on Computer Vision (ECCV), 181–196. DOI: 10.1007/978-3-030-01216-8_12 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Weakly Supervised Image Classification (WSL-IC). ScholarGate. https://scholargate.app/ru/deep-learning/weakly-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.
- Дообучение классификации изображенийГлубокое обучение↔ compare
- Классификация изображенийГлубокое обучение↔ compare
- Самообучающаяся классификация изображенийГлубокое обучение↔ compare
- Полуавтоматическая классификация изображенийГлубокое обучение↔ compare
- Обучение с переносом для классификации изображенийГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →