关键词multi-source transfer learning
搜索结果 - 6
- 目标检测与少数类共识关注
使用修改的共识焦点和基于源置信度的投票系统,该研究提出了一种半监督和长尾目标检测方法,通过在目标标签空间中选择各个类别的相关性,放宽了少数类别边界框的抑制,从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框 - AAAIH-ensemble:可靠的少样本多源迁移的信息论方法
多源迁移学习的新问题范式下,提出了一种信息论视角的框架 H-ensemble,通过最大相关回归的推广,动态学习源模型的线性组合,以优化目标任务的迁移能力。经过对比实验和广泛的比较分析,证明了 H-ensemble 能够成功学习最优任务集合, - 基于多源对抗迁移学习的超声图像分割(受限相似度)
本论文提出了一种针对超声图像分割的多源敌对迁移学习网络,采用敌对迁移学习的思想来自适应地提取源域和目标域之间的共同特征,以利用未标注的超声数据,同时还采用多源迁移学习来融合多个源域的知识,以提高模型的学习能力和数据利用率。
- 基于多源转移学习的深度模型强化学习
本研究旨在提出多源模块化转移学习技术,以减少强化学习所需的环境交互次数并提高知识重用。我们支持这一技术的有效性,并进行了广泛而具有挑战性的视觉控制跨领域实验。
- ACLMEDIQA 2019 上的双向传输:医学领域自然语言理解的多源传输学习
本文介绍了我们参加 MEDIQA-2019 比赛的系统,我们使用多源迁移学习方法,将 MT-DNN 和 SciBERT 中的知识应用于医疗领域的自然语言理解任务中。我们采用多任务学习技术,在通用和医疗领域上进行 NLI、RQE 和 QA 任 - KDD迈向更可靠的迁移学习
本文提出了一种新的多源传递学习方法,它结合了源目标相似性和不同可靠性源之间的关系,并提出了一个综合的主动传递学习框架,包括分布匹配和不确定性采样,在合成和真实数据集上进行了广泛的实验,表明其在多项基准测试中优于其他现有模型。