Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Raman spectroscopy combined with multiple technologies for label-free identification of immune cells: An overview.

Journal of pharmaceutical analysis·2026
Same author

Dendritic nonlinearities mitigate communication costs.

Patterns (New York, N.Y.)·2026
Same author

HAD: Hierarchical Asymmetric Distillation to Bridge Spatio-Temporal Gaps in Event-Based Object Tracking.

IEEE transactions on neural networks and learning systems·2026
Same author

H3K9me3 regulates IFNγlo Tex cell differentiation to promote colon tumor liver metastasis.

Molecular cancer therapeutics·2026
Same author

The Mediating Effect of Professional Benefits on Nurse's Work Stressor and Humanistic Practice Ability of ICU Nurses.

Nursing open·2026
Same author

A key SNP in the flavonoid biosynthesis pathway gene CsaV3_6G009030 is highly correlated with cucumber fruit bitterness.

Food chemistry. Molecular sciences·2026

相关实验视频

Updated: May 21, 2025

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

340

硬件实例适应性自我训练,用于无监督的跨域语义细分.

Chuang Zhu, Kebin Liu, Wenqi Tang

    IEEE transactions on pattern analysis and machine intelligence
    |March 18, 2025
    PubMed
    概括
    此摘要是机器生成的。

    本研究引入了一种新的自我训练框架,用于语义细分中的无监督域适应 (UDA). 该方法提高了伪标签的质量和多样性,改善了模型在具有挑战性的跨领域任务上的性能.

    更多相关视频

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    448
    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
    04:48

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

    Published on: November 30, 2022

    2.6K

    相关实验视频

    Last Updated: May 21, 2025

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
    04:48

    Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

    Published on: July 5, 2024

    340
    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
    03:31

    Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

    Published on: December 15, 2023

    448
    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
    04:48

    Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

    Published on: November 30, 2022

    2.6K

    科学领域:

    • 计算机视觉 计算机视觉
    • 机器学习 机器学习
    • 人工智能的人工智能

    背景情况:

    • 深度学习模型面临的挑战是训练和测试集之间的数据分歧.
    • 无监督域调整 (UDA) 通过调整模型以适应没有标记目标数据的新数据分布来解决这一问题.
    • 自我训练是一种有前途的UDA技术,但现有的方法在可扩展性和性能权衡方面存在困难.

    研究的目的:

    • 提出一个新的硬意识实例适应性自我训练框架,用于语义细分的UDA.
    • 提高自我培训过程中产生的伪标签的质量和多样性.
    • 提高UDA模型的性能和概括能力.

    主要方法:

    • 开发了一个伪标签生成策略,使用实例自适应选择器.
    • 引入了用于挑战性课程的使用图像间信息的硬意识伪标签增强.
    • 实施了针对地区的适应性规范化,用于伪标签光滑和非伪标签利.
    • 为加强监督,为非伪标签地区纳入一致性约束.

    主要成果:

    • 与最先进的方法相比,拟议的框架显示出更高的性能.
    • 在具有挑战性的跨领域数据集上进行了实验:GTA5城市景观,SYNTHIA城市景观和城市景观牛津机器人汽车.
    • 该方法有效地提高了伪标签的质量和模型的适应性.

    结论:

    • 硬意识实例自适应自训框架为语义细分中的UDA提供了简洁而高效的解决方案.
    • 拟议的伪标签生成和增强技术显著提高了模型性能.
    • 该框架是可通用的,并显示出各种UDA应用的强大潜力.