檢索結果：共14筆資料 檢索策略： "非監督式".ckeyword (精準)
個人化服務 ：
排序：
每頁筆數：
已勾選0筆資料
1
本文的主要目的是延續以資料間距為基礎的非監督式聚類演算法,並提供了一個較佳的分割方式,避免在圓形分佈的切割方式下,將不屬於當前聚類的資料點給切割進來。接著再以適當的猜測方式決定初始聚類中心位置後,除…
2
本文主要目的為延續以資料間距為基礎的非監督式聚類演算法，並提出一個全新的聚類方式，避免在圓形的切割方式下，將非當前聚類的資料點給切割進來。以適當的假設方法，決定初始聚類中心後，由近至遠地抓取參考點，…
3
大部分的調控因子結合位都位在基因的上游序列中，為了要瞭解基因被調控的機制，辨認出這些調控因子的結合位，是這個任務的首要工作。然而，最近針對辨認調控因子結合位的方法所發表的評量顯示，這項工作仍然非常具…
4
在這篇論文中，我們提出一個非監督式的分群演算法來處理群聚分群的問題，將彼此相鄰的資料點進行資料鏈結的處理，即關係度較高的資料彼此連結在一起。這個方法不需要經由人為指定群聚個數，便可將空間內的所有…
5
隨著Transformer架構的提出，如BERT、GPT-2…等等，這些預訓練於大量文本上的模型透過微調下游任務的方式在自然語言處理領域中蓬勃發展。在中文斷詞領域中，也將資料集的評估分數推升至F1分…
6
為了能讓雙目影像深度估測網路對不同數據集有更好的適應性，本論文提出了一種含有域適應Domain adaptation的深度估測網路，此方法不僅能適應不同數據集間環境的差異，更能接受不同數據集間雙目相…
7
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…
8
近年來因物聯網的蓬勃發展，時間序列類型的資料大幅增加，如何有效地在巨量的時序資料上偵測出異常就變的極為重要，在實務上(1)非監督式學習、(2)概念漂移的調整、(3)不需儲存大量資料，這三點對於處理巨…
9
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…
10
筆跡辨識是生物特徵辨識技術中的一種，在鑑識科學方面經常使用這項技術。但與生理特徵相比，行為特徵容易受到內在或外在因素所影響，若未能在自然情況下取得書寫者的筆跡，則鑑識的可信度必定會有所降低，並且隨著…