檢索結果：共3筆資料 檢索策略： "Department of Computer Science and Information Engineering".edept (精準) and ekeyword.raw="Domain adaptation"
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
訓練深度神經網絡進行語義分割依賴於像素級標籤進行監督。但是收集大型數據集 的像素集標籤是非常昂貴且耗時。一種解決方法是利用合成數據集，我們可以使用相應 的標籤生成數據。不幸的是在合成數據上訓練的網絡…
3
隨著深度學習的興起，資料量大、資料種類多成為了影響實驗結果的重大因子之一，但在現實生活中，並非所有資料都有龐大的資料庫，例如:肺部X光的醫學影像、罕見疾病影像、農作物疾病影像、光學檢測的瑕疵影像、人…