Semi Supervised Classification Simclr

🚀 半教師付き画像分類（SimCLRを用いた対照的事前学習）

このプロジェクトは、SimCLRを用いた対照的事前学習による半教師付き画像分類を行うシンプルな画像分類モデルです。学習手順は、András Béresによる keras.io のサンプルを参考に行われました。

モデルは STL-10データセットで学習 されており、このデータセットには飛行機、鳥、車、猫、鹿、犬、馬、猿、船、トラックの10種類のクラスが含まれています。

🚀 クイックスタート

このモデルを使用することで、画像分類タスクを半教師付き学習により行うことができます。

✨ 主な機能

• 半教師付き学習：部分的にラベル付けされたデータセットを用いて学習を行い、ラベルなしデータも有効活用します。
• SimCLRによる対照的事前学習：SimCLRを用いた対照的事前学習により、モデルの性能を向上させます。

📦 インストール

元文書にインストール手順が記載されていないため、このセクションは省略されます。

📚 ドキュメント

メトリクス

こちら に公開されているW&Bダッシュボードで、ベースラインの教師付き学習モデル、純粋な教師なし学習モデル（事前学習）、および教師なし学習に基づく教師付き微調整モデルの精度などのさまざまなメトリクスの違いを確認できます。

背景

（András Béresによる keras.io より） 半教師付き学習は、部分的にラベル付けされたデータセットを扱う機械学習のパラダイムです。現実世界で深層学習を適用する場合、通常は大規模なデータセットを収集する必要があります。しかし、ラベル付けのコストはデータセットのサイズに線形に比例しますが（各サンプルのラベル付けには一定の時間がかかります）、モデルの性能はそれに対して非線形にしか向上しません。これは、ますます多くのサンプルをラベル付けすることがコスト効率が悪くなる一方で、ラベルなしデータを収集することは一般的に安価で、大量に容易に入手できることを意味します。

半教師付き学習は、部分的にラベル付けされたデータセットのみを必要とし、ラベルなしサンプルも学習に利用することでラベル効率を高めることで、この問題を解決します。

この例では、全くラベルを使用せずにSTL-10半教師付きデータセットで対照的学習によりエンコーダを事前学習させ、その後、ラベル付きサブセットのみを使用して微調整しました。

📄 ライセンス

このプロジェクトは、Apache 2.0ライセンスの下で公開されています。

情報テーブル