关键词cross-domain classification
搜索结果 - 5
- 量子支持向量机在量子态跨领域分类中的优势
利用量子机器学习进行跨领域分类研究,以解决纠缠与可分离性范式;进一步证明了贝尔对角态的高效分类,扩展分析了使用随机酉转换评估模型在分析问题上的鲁棒性,通过数值分析明确展示了 QSVM 在多维希尔伯特空间中对量子态进行分类的潜力。
- 自监督表示学习在糖尿病视网膜病变图像的标签有效跨域知识迁移中的应用
本文提出了一种基于标签效率自监督表示学习的方法,用于在跨域设置中对糖尿病视网膜病变图像进行分类。该方法使用来自源域数据集的先前学习,通过对比学习从未标记的源域数据集中学习的图像表示来对目标域数据集中的视网膜病变图像进行分类。实验结果表明,该 - IJCAI预训练网络的少样本领域适应
提出了一种少样本领域自适应框架,通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化,可改善源模型的分类性能,实验证明该方法优于测试时适应方法,并且没有实时流条件的限制。
- 统一无监督域自适应与零样本视觉识别
该论文提出了基于领域自适应的跨域分类问题,通过联合子空间的学习,使用有标签样本辅助实现跨域特征投影不变性,并结合了一种监督的局部保持投影 (SLPP) 技术,同时在无监督和零样本学习条件下,在三个跨域自适应基准数据集上实现了最先进的结果。
- 对抗式判别领域自适应
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨