檢索結果:共5筆資料 檢索策略: ckeyword.raw="偽標籤" and ckeyword.raw="深度學習" and ckeyword.raw="深度學習"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
我們提出了應用於非監督遷移學習的方法,此方法基於特徵空間擴散和保守的標記策略。遷移學習近年來在許多應用上引發了關注。深度學習的成功故事使我們要求從源域中的有效建模進而擴展於目標域的有效建模。正如許多…
2
全監督語義分割任務需要對每個像素進行詳細標註,逐點像素級標註非常費時費力。為了解決這個問題,本篇論文的研究方向是通過使用圖像級別的分類標註來進行語義分割任務。這意味只需為整個圖像提供一個整體的類別標…
3
語意分割是計算機視覺領域中的重要任務,旨在將圖像的每個像素進行逐點的類別預測,從而實現對圖像的精細分析。然而,傳統的語意分割方法需要大量的像素級別資料來訓練模型,這一過程耗時且耗費人力。為了減少標註…
4
心臟磁共振影像的準確分割是臨床實踐中診斷和評估許多心血管疾病的重要先決條件。深度學習最近已被廣泛應用在心臟圖像分割上。本研究以基於深度學習的方法,訓練用於分割心臟左心室、心肌及右心室的模型,然而模型…
5
語意分割任務對圖像提供逐點的類別預測,進而產生分析結果,以往的語義分割任務須要使用像素級別的分類標註進行網路訓練,學習各語意間不同的特徵,然而逐點標注相當耗時與耗人力,因此現今語意分割朝向減少標注來…