关键词unsupervised finetuning
搜索结果 - 3
- 无标签图像分类的屏蔽无监督自训练
本文提出了一种利用目标领域丰富的无标注数据改进已预训练的零样本分类器的无监督微调方法 Masked Unsupervised Self-Training(MUST)并在各种下游任务上证明了其有效性,包括在 ImageNet 上使用 ViT- - 无监督微调
本文研究了无监督微调的问题,提出了两种简单有效的策略来将源数据和目标数据进行组合以实现更好的传递性能。通过在多个不同的目标数据集上进行广泛的实验,表明了所提出的 “无监督微调” 策略比朴素策略具有更好的传递性能。
- 通过强健的光度一致性学习无监督的多视图立体成像
提出了一种基于学习的多视点立体感知方法,可以在宽基线 MVS 环境下学习深度预测并通过稳健的损失函数处理遮挡和光照等问题。该方法不需要使用三维监督数据进行训练,并且可以通过无监督的微调实现对新数据集的适应。