檢索結果:共2筆資料 檢索策略: "林昌鴻".ccommittee (精準) and ckeyword.raw="非監督式學習"
個人化服務 :
排序:
每頁筆數:
已勾選0筆資料
1
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…
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…