檢索結果:共2筆資料 檢索策略: "Style Transfer".ekeyword (精準) and cadvisor.raw="陳郁堂"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
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…
2
隨著生成對抗網絡(GAN) [1]的快速發展,獲得高質量的圖像合成並不容易。這是因為生成器的圖像質量在訓練到一定程度後無法進一步提高,同時判別器陷入過度擬合,無法很好地區分真假圖像。GAN架構和訓練…