檢索結果：共6筆資料 檢索策略： ckeyword.raw="領域自適應"
個人化服務 ：
排序：
每頁筆數：
已勾選0筆資料
1
對於醫學圖像分割的領域自適應已成為一個重要的研究問題，因為訓練和測試圖像通常由不同種類的機器生成，例如 MRI 或 CT 或具有不同規格的同類型機器。 領域自適應的一種有效方法是傅里葉領域自適應，它…
2
近年來最具代表性的物件檢測方法是faster RCNN和YOLO，這些基於傳統監督學習的方法通常依賴於完全標註的資料集，並且假設訓練和測試資料取自同一個分佈。當測試資料來自不同分佈時，使用監督學習的…
3
在傳統未加入領域自適應的監督式學習中，需要仰賴大量的標記數據集來進行訓練，但是標記圖像必須花費許多的人力和時間，且監督學習模型在測試來自不同分佈的圖像時效果也並不理想。為了實現跨越各種場景的物件偵測…
4
將訓練於來源域 (Source domain)的深度學習模型直接應用於目標域 (Target domain)會因為Domain shift problem導致其準確度顯著下降。無監督領域自適應（Un…
5
隨著深度學習的興起，資料量大、資料種類多成為了影響實驗結果的重大因子之一，但在現實生活中，並非所有資料都有龐大的資料庫，例如:肺部X光的醫學影像、罕見疾病影像、農作物疾病影像、光學檢測的瑕疵影像、人…
6