檢索結果:共3筆資料 檢索策略: "資訊工程系".dept (精準) and ckeyword.raw="少樣本學習"
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
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…