檢索結果:共5筆資料 檢索策略: "少樣本學習".ckeyword (精準)
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
近幾年來,僅利用少量標籤資料來訓練模型並分類新類別已備受廣大注意,此類的任務稱為少樣本分類學習。雖然在此領域中已有重大的進展,但多數現行少樣本分類學習之方法以目標與來源資料來自相同的分布為前提。因此…
2
雖然現有的人臉反欺騙(FAS)或深度造假(Deepfake)檢測方法在性能方面是有效的,但它們通常使用大量的參數,因此十分耗費硬體資源,不適合手持設備。除此之外,他們花了很多時間訓練因為他們以普通監…
3
在過往的深度學習研究與各項實際應用的任務項目之中,大多數的模型在訓練過程時都極需要大量且正確標註的資料集才能得到較好的訓練效能與較佳的應用成果;然而,只要訓練用的資料集數量減少或者是訓練資料集當中存…
4
少樣本學習是一項具有挑戰性的任務,其中分類器需要快速適應新類別。這些新類別是在訓練階段是模型沒有見過的,並且在測試階段為每個新類別的學習過程只提供很少的樣本(例如,五個圖像)。當現有的方法使用如此少…
5
因為COVID-19 疫情大流行,人們在日常生活中都戴上了口罩。這事實影響了傳統不戴口罩人臉辨識方法的有效性。目前,大多數基於人工智慧的人臉辨識方法都需要大量的影像樣本。而且,在執行這些影像的標記步…