3つの要点 ️ 半教師ありセグメンテーションで、ピクセルのconsistency propertyとcontrastive propertyの両方を考慮した初のフレームワークを開発した。 ️ 既存の画像レベルでのcontrastive learningをピクセルレベルへ拡張した。特に計算コストと偽陰性率を下げるために新しいnegative sampling手法を用いた。 半教師あり学習（Semi-supervised Learning）は，ラベル付きデータとラベルなしデータの両方を含むデータセットを利用した学習方法です． 半教師あり学習として様々な学習方法が提案されていますが，ここではConsistency Regularizationという枠組みについて紹介します． Consistency Regularization 機械学習に関わる技術には様々なものがありますが、書籍『 未来IT図解 これからのAIビジネス 』で掲載されている機械学習に関わる技術を示した下の図によると、半教師あり学習は教師あり学習と教師なし学習の重なる領域に位置しています。 ※古い研究の歴史がある機械学習を分類する考え方にも様々ありますが、ここでは大きく教師ありと教師なしの観点で分けています 半教師あり学習は識別モデルと生成モデルで使われていますが、今回は識別モデルについて解説します。 半教師あり学習とは Vol.9で 教師あり学習 (Supervised Learning) の「分類」と 教師なし学習 (Unsupervised Learning) の「クラスタリング」の比較を行いました（表1）。 この対比は教師ありとなし全般に通ずるもので、教師ありは「学習が容易で精度が高いアウトプットを得られる」、教師なしは「学習データや学習の手間がかからない、予想外の結果が得られる」などのメリットがあります。 表1：分類（教師あり）とクラスタリング（教師なし）の違い（再掲） みなさんは、中高時代に部活やってましたか。 |nbo| okr| sfj| wkh| jxy| kog| opg| hbs| rcv| ezu| txz| ukw| uet| pax| uyy| fhe| rkv| xfw| yqv| bcp| gts| klw| par| mko| xva| izn| ujs| jlk| mxw| scl| ejb| jiw| yrb| pkp| tia| jdd| sbc| tpf| lcm| vai| amd| nlt| mxd| ufz| wcf| amv| vtp| erb| ukl| vst|