Key points are not available for this paper at this time.
يعد التدريب المسبق للنماذج حجر الزاوية في أنظمة التعرف البصري الحديثة. على الرغم من أن التدريب المسبق تحت الإشراف الكامل على مجموعات البيانات مثل ImageNet لا يزال هو المعيار السائد، تشير الدراسات الحديثة إلى أن التدريب المسبق الضعيف الإشراف على نطاق واسع يمكن أن يتفوق على الأساليب الخاضعة للإشراف الكامل. تعاود هذه الورقة النظر في التدريب المسبق الضعيف الإشراف للنماذج باستخدام إشراف الهاشتاج مع النسخ الحديثة من الشبكات المتبقية وأكبر مجموعة بيانات على الإطلاق من الصور والهاشتاجات المقابلة. ندرس أداء النماذج الناتجة في إعدادات التعلم الانتقالي المختلفة بما في ذلك النقل بدون عينة. نقارن أيضًا نماذجنا بتلك المستخلصة من خلال التعلم ذاتي الإشراف على نطاق واسع. نجد أن نماذجنا الضعيفة الإشراف تنافسية للغاية عبر جميع الإعدادات، ونجد أنها تتفوق بشكل ملحوظ على نظرائها ذاتي الإشراف. ندرج أيضًا تحقيقًا لمعرفة ما إذا كانت نماذجنا قد تعلمت ارتباطات أو صور نمطية قد تكون مثيرة للقلق. بشكل عام، توفر نتائجنا حجة مقنعة لاستخدام التعلم الضعيف الإشراف في تطوير أنظمة التعرف البصري. نماذجنا، Supervised Weakly through hashtAGs (SWAG)، متاحة للجمهور.
قام سينغ وزملاؤه (الأربعاء) بدراسة هذا السؤال.
Synapse has enriched 2 closely related papers on similar clinical questions. Consider them for comparative context: