檢索結果:共4筆資料 檢索策略: "電子工程系".dept (精準) and 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…