当使用监督学习(Supervised Learning)对大量高质量的标记数据(Labeled Data)进行训练时，神经网络模型会产生有竞争力的结果。例如，根据Paperswithcode网站统计
2022-10-18 16:28
GAN有两个网络组成。第一个网络创建世界的内在版本（即通常房子是什么样的）：这称为生成模型（G），基本上它基于一切数据学习，因为它不需要标签，只需要数据集中典型房屋的所有特征。第二个网络，称为判别器（D），和G对抗，同时从真实数据集和生成器生成的房屋样本中取样，决定数据看起来是不是真的。
2018-09-24 09:44
SSL的目标是基于标记数据集D和未标记数据集DUL，使模型的性能比单独用D训练出来的完全相同的基础模型更好。虽然道理很简单，但不同论文对于这个基线的介绍却存在出入，比如去年Laine＆Aila和Tarvainen＆Valpola在论文中用了一样的基线，虽然模型是一样的，但它们的准确率差竟然高达15%。
2018-09-08 09:21
谷歌的结果促进了半监督学习的复兴，而且还发现3点有趣的现象：（1）SSL可以匹配甚至优于使用数量级更多标记数据的纯监督学习。（2）SSL在文本和视觉两个领域都能很好地工作。（3）SSL能够与迁移
2019-07-13 07:31
在机器学习(Machine learning)领域。主要有三类不同的学习方法：监督学习(Supervised learning)、非监督学习(Unsupervised
2018-05-07 09:09
总而言之，GAN由最开始的随机噪声生成图片，逐渐在众多领域得到发展。有研究者使用GAN研究半监督学习问题，也有研究者进行图像到图像的生成探索，如给定轮廓图生成正常的图片，另外还有文本到图像的生成以及域自适应任务。
2018-05-10 16:29
首先，真实情况下，无标注数据的来源通常没有限制，因此光照、姿态、遮挡等会有很大的差异，这种情况下基于单模型的半监督方法会产生较大偏差。其次，传统的半监督学习通常假设无标
2018-09-17 09:14
应用中往往难以实现。因此，无监督学习在深度学习中扮演着越来越重要的角色。本文旨在综述深度学习中的无监督学习方法，包括自编码器、生成对抗网络、聚类算法等，并分析它们的原理
2024-07-09 10:50
同时，我们可以从互联网轻松获取海量粗标注的图片，如利用Flickr的标签。因此，研究如何在弱监督条件下，即仅提供粗略图片类别标注，训练目标检测模型，具有重要的意义。已有学者探索了基于多示例学习构建弱监督条件下的目标检
2018-05-15 16:51
这一切的完成都是借助算法根据相似性来对事物进行分组。相似度的度量是通过选择算法来指定的，但是为什么不尝试尽可能多的相似度度量呢? 因为你也不知道你在寻找什么，不过可以把非监督式学习看成是数学中的“物以类聚”。就像罗夏墨迹卡一样，其实你不用把你看到的内容看的太重。
2018-07-24 17:50
