檢索結果:共7筆資料 檢索策略: ckeyword.raw="域適應" and ckeyword.raw="域適應" and ckeyword.raw="域適應"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
在本文中,我們提出了一種高效率的源感知域增強和適應(SDEA)方法,以提高基於卷積神經網絡(CNN)物件分割方法的準確性。首先,我們先找出源元素,例如落葉,人孔蓋,卷雲和廣告,這些元素通常會導致無效…
2
我們提出了應用於非監督遷移學習的方法,此方法基於特徵空間擴散和保守的標記策略。遷移學習近年來在許多應用上引發了關注。深度學習的成功故事使我們要求從源域中的有效建模進而擴展於目標域的有效建模。正如許多…
3
無監督域適應和語義分割的結合,幫助了人們不論是在生活上或是工作上解決了許多的困難。例如在街景影像中,此項技術可以將不同的物件自動地分割出來,以利機器進行分類及辨識。然而,無奈的是,現實存在一些問題會…
4
域適應通常用於解決計算機視覺領域中的域轉移問題。領域適應是具有挑戰性任務,同時對於時間序列數據,任務會變得更加複雜。考慮到數據的依賴性以及時間戳的關係,時間序列數據會更有複雜性。目前大多數方法基於適…
5
本研究旨在比較深度域混淆網路(Deep Domain Confuse, DDC) 、域對抗神經網路(Domain Adversarial Neural Network, DANN) 與子域適應網路(…
6
為了能讓雙目影像深度估測網路對不同數據集有更好的適應性,本論文提出了一種含有域適應Domain adaptation的深度估測網路,此方法不僅能適應不同數據集間環境的差異,更能接受不同數據集間雙目相…
7
訓練深度神經網絡進行語義分割依賴於像素級標籤進行監督。但是收集大型數據集 的像素集標籤是非常昂貴且耗時。一種解決方法是利用合成數據集,我們可以使用相應 的標籤生成數據。不幸的是在合成數據上訓練的網絡…