划分和集成：逐步学习未知情况
原文中文，约400字，阅读约需1分钟。发表于：。我们提出了 DividE 和 EnseMble (简称 DEEM) 方法，用于逐步测试数据预测的小麦营养缺陷分类挑战，并通过将数据集分成不同日期的离散组来训练模型，并采用伪标签方法将高置信度的测试数据标记并纳入训练集，最终将各组的模型统一获得整个数据集的模型。该方法在 Deep Nutrient Deficiency Challenge 中获得了平均 93.6％的 Top-1...
DEEM是一种用于小麦营养缺陷分类挑战的方法，将数据集分成不同日期的离散组来训练模型，并采用伪标签方法将高置信度的测试数据标记并纳入训练集，最终将各组的模型统一获得整个数据集的模型。在Deep Nutrient Deficiency Challenge中，该方法获得了平均93.6%的Top-1测试准确率，并荣获了第一名。
