few-shot domain adaptation | BriefGPT

关键词few-shot domain adaptation

搜索结果 - 6

ADAPT^2: 向终端用户自我监督重播的预训练传感模型适应
提出了 ADAPT^2，一种用于个性化自我监督模型的少样本域适应框架，通过重新播放自我监督任务与用户特定数据进行用户端模型适应，以在少样本情况下将模型的预训练表示调整到用户。通过使用四个基准测试，ADAPT^2 的平均 F1 分数超过现有基
PDF3 months ago
SAMDA: 利用 SAM 进行少样本领域自适应的电子显微镜分割
本研究提出了一种新的少样本领域自适应框架 SAMDA，将 Segment Anything Model（SAM）与 nnUNet 在嵌入空间中结合起来，以实现高度的转移性和准确性。在两个电子显微图像数据集和四个 MRI 数据集上的实验结果表
PDF4 months ago
形态无关细胞实例分割的少样本适应
通过引入少样本领域自适应方法，仅需要标注新数据中一到五个细胞即可快速调整模型以保持高准确性，在处理具有细长且非凸形态的细菌数据集时，取得了显著的准确度提升。
PDF4 months ago
非专业描述的少样本领域自适应充电预测
该研究提出了一种新颖的少样本域自适应方法 (DLCCP)，旨在改进非专业人士友好的指控预测模型。通过设计优化目标，将内容和样式空间解纠，同时提取和对齐元素级和实例级内容表示，该方法在开放数据集 NCCP 上的实验证明了其优越性。
PDF9 months ago
ICCV选择适应：少样本领域适应的支持集选择
深度神经网络广义化在训练（源）数据和测试（目标）数据之间遇到分布偏移时容易受到攻击。本文探讨了通过使用从目标领域中随机选择和注释的支持集，将在源领域上预训练的深度神经网络适应到目标领域时随机选择支持集可以进一步进行改善。我们提出了 Sele
PDFa year ago
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。
PDF2 years ago