基于标签矫正的无监督领域自适应模型的实现方法.pdf

基于图一致性和半监督模型的标签含噪图像分类方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114881125 A (43)申请公布日 2022.08.09 (21)申请号 202210433807.9 G06V 10/774 (2022.01)

2023-05-18 约1.59万字 15页立即下载

用于图像分类的基于类别自适应模型的无监督域适应方法.pdf (19)国家知识产权局 (12)发明专利 (10)授权公告号 CN 113011456 B (45)授权公告日 2022.07.15 (21)申请号 202110171322.2 G06N 3/04 (2006.01)

2023-06-10 约1.15万字 9页立即下载

基于无监督领域自适应的图像超分辨方法及装置.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114549322 A (43)申请公布日 2022.05.27 (21)申请号 202210183404.3 (22)申请日 2022.02.24 (71)申请人中山大学地址 510275 广

2023-05-07 约2.34万字 19页立即下载

基于自训练的无监督领域自适应语义分割方法的探索与实践.docx 基于自训练的无监督领域自适应语义分割方法的探索与实践一、引言 1.1研究背景与意义随着人工智能技术的飞速发展，语义分割作为计算机视觉领域的关键任务，在自动驾驶、医学图像分析、遥感图像解译等诸多实际应用场景中发挥着不可或缺的作用。语义分割旨在将图像中的每个像素分配到特定的类别，从而实现对图像内容的精细化理解和分析。深度学习的出现，尤其是卷积神经网络（ConvolutionalNeuralNetworks，CNNs）的广泛应用，使得语义分割的性能得到了显著提升。基于深度学习的语义分割模型，如FCN（FullyConvolutionalNetworks）、U-Net、DeepLab

2025-04-03 约2.65万字 21页立即下载

基于深度联合语义的无监督多源领域自适应方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114821219 A (43)申请公布日 2022.07.29 (21)申请号 202210209875.7 G06N 3/08 (2006.01) (22)申请日 2022.03.0

2023-05-13 约1.01万字 12页立即下载

自监督学习领域自适应方法.pptx 数智创新变革未来自监督学习领域自适应方法 自监督学习简介 领域自适应问题定义 自适应方法分类与特点基于对抗学习的自适应方法 基于特征重构的自适应方法 基于伪标签的自适应方法 自适应方法性能比较未来研究方向与挑战目录 自监督学习简介自监督学习领域自适应方法 自监督学习简介自监督学习定义1.自监督学习是一种利用无标签数据进行训练的方法。2.通过设定预测任务，模型从数据中自动学习有用的特征表示。3.自监督学习可以解决标签数据不足的问题，提高模型的泛化能力。自监督学习是一种利用无标签数据进行训练的方法，通过让模型预测数据的某些属性或特征，从而学习到数据的有用表示。这种方法可以解决标签数据不足的问题

2024-01-23 约7.19千字 34页立即下载

基于LTSA的半监督多标签传播方法研究.pdf 基于LTSA的半监督多标签传播方法研究摘要随着信息化时代和科技的不断发展，数据已经从传统的简单结构和小规模变成了具有复杂结构和维度，规模庞大的信息载体。多标签学习相较于传统的单标签学习能处理更加丰富的信息，因此，多标签学习方法已经被广泛应用于机器学习，数据分析，模式识别等领域。但是在现实世界中，拥有标签的数据往往是少量的，因此，半监督的多标签学习是十分重要的研究课题。此外，多标签学习中的特征和标签往往拥有复杂的关系，如何探究特征和标签之间的关系也成为了重要的研究课题。为了探究标签和特征之间的复杂关系，完成半监督多标签学习下的标签传播，本文结合局部切空间对齐算法（LTSA），提

2025-05-22 约13.33万字 59页立即下载

无监督领域自适应的零资源跨领域命名实体识别研究与实现.docx 无监督领域自适应的零资源跨领域命名实体识别研究与实现一、引言随着信息技术的飞速发展，命名实体识别（NamedEntityRecognition，简称NER）已成为自然语言处理领域的重要任务之一。然而，在实际应用中，由于不同领域的数据分布差异、领域知识的缺乏以及标注资源的稀缺，跨领域命名实体识别面临诸多挑战。本文针对无监督领域自适应的零资源跨领域命名实体识别展开研究，旨在提高跨领域NER的准确性和效率。二、相关研究综述在过去的几年里，许多研究者对跨领域命名实体识别进行了探索。传统的跨领域方法通常依赖于有监督学习，需要大量带标签的训练数据。然而，对于新领域或零资源环境，这种方法往往难以

2025-02-08 约4.63千字 9页立即下载

基于噪声标签优化的无监督域适应行人重识别研究.docx 基于噪声标签优化的无监督域适应行人重识别研究一、引言行人重识别（PersonRe-Identification，ReID）技术作为智能监控、智能交通等领域的重要应用，近年来得到了广泛关注。然而，由于不同摄像头之间的视角差异、光照变化等因素，使得跨摄像头行人重识别面临巨大挑战。其中，无监督域适应（UnsupervisedDomainAdaptation）方法在解决这一问题上具有显著优势。本文提出了一种基于噪声标签优化的无监督域适应行人重识别方法，旨在提高行人重识别的准确性和稳定性。二、背景及现状分析 无监督域适应方法是针对跨摄像头行人重识别任务的有效方法。其基本思想是利用源域（带有标签的数

2025-03-11 约4.26千字 8页立即下载

一种基于伪标签优化的无监督域适应行人重识别算法.pdf (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 113378632 A (43)申请公布日 2021.09.10 (21)申请号 202110469776.8 G06N 3/08 (2006.01) (22)申请日 20

2023-06-16 约1.87万字 17页立即下载

无监督领域自适应语义分割方法研究.pdf 摘要摘要随着深度学习技术的发展，图像语义分割在计算机视觉领域得到了广泛应用。然而，训练高精度的语义分割模型需要大量的标注数据，人工标注数据集是一项费时费力的工作。虽然使用计算机生成的虚拟合成数据可以避免数据标注过程，但由于虚拟合成数据和真实数据之间存在领域差异，仅依赖虚拟合成数据训练的模型往往在真实场景下表现不佳。面对这一挑战，无监督领域自适应技术通过利用有标签信息的源域数据和无标签信息的目标域数据，采用自适应方法来改善模型在目标域上的预测能力。然而，现有方法没有充分利用深度信息的辅助，采用的网络在特征提取方面存在不足，此外，在自适应方法中常用的图像混合策略忽略了类间关联并缺

2025-04-04 约12.36万字 63页立即下载

一种无监督的两阶段领域自适应方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114548264 A (43)申请公布日 2022.05.27 (21)申请号 202210157472.2 (22)申请日 2022.02.21 (71)申请人重庆邮电大学地址 400065

2023-05-08 约7.18千字 7页立即下载

基于矫正拉东谱的单像素动态目标计算成像实现方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114820839 A (43)申请公布日 2022.07.29 (21)申请号 202210283035.5 (22)申请日 2022.03.22 (71)申请人中国科学院合肥物质

2023-05-12 约1.45万字 13页立即下载

基于直推式半监督深度学习的多标签图像分类方法.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114882279 A (43)申请公布日 2022.08.09 (21)申请号 202210503639.6 G06N 3/08 (2006.01) (22)申请日 2022.05.1

2023-05-14 约2.66万字 16页立即下载

一种基于伪标签的半监督人群计数方法及装置.pdf (19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114463694 A (43)申请公布日 2022.05.10 (21)申请号 202210019308.5 G06K 9/62 (2022.01)

2023-05-07 约3.02万字 22页立即下载