Semi Supervised Classification Simclr

🚀 基於SimCLR對比預訓練的半監督圖像分類

本項目是一個簡單的圖像分類模型，採用“基於SimCLR對比預訓練的半監督圖像分類”方法進行訓練。該模型能有效利用未標記數據提升圖像分類性能，解決在大規模數據標註成本高的問題。

🚀 快速開始

本模型的訓練過程參考了András Béres在 keras.io 上的示例。

✨ 主要特性

• 半監督學習：僅需部分標註數據，通過利用未標註樣本進行學習，提高標籤效率。
• 對比預訓練：使用SimCLR方法進行對比預訓練，增強模型特徵提取能力。
• 多類別分類：模型在STL - 10數據集上進行訓練，可對十種不同類別（飛機、鳥、汽車、貓、鹿、狗、馬、猴子、船、卡車）的圖像進行分類。

📦 安裝指南

文檔未提及安裝步驟，暫不展示。

💻 使用示例

文檔未提供代碼示例，暫不展示。

📚 詳細文檔

模型指標

可通過 此鏈接 查看公開的W&B儀表盤，該儀表盤展示了不同指標的差異，如基線監督訓練模型、純無監督模型（預訓練）和基於無監督的監督微調模型的準確率。

技術背景

（內容來自András Béres在 keras.io 上的文章）

半監督學習是一種處理部分標註數據集的機器學習範式。在現實世界中應用深度學習時，通常需要收集大量數據集才能使模型表現良好。然而，標註成本與數據集大小呈線性增長（標註每個樣本所需時間恆定），而模型性能的提升與數據集大小呈亞線性關係。這意味著標註越來越多的樣本的成本效益越來越低，而收集未標註數據通常成本較低，因為大量未標註數據通常很容易獲取。

半監督學習通過僅需要部分標註數據集，並通過利用未標註示例進行學習來提高標籤效率，從而解決了這個問題。

在本示例中，我們在STL - 10半監督數據集上使用對比學習對編碼器進行預訓練，完全不使用標籤，然後僅使用其標註子集對其進行微調。

🔧 技術細節

文檔未提供具體技術實現細節，暫不展示。

📄 許可證

本項目使用的許可證為apache - 2.0。

📦 數據集和庫信息