一種對(duì)紅細(xì)胞和白細(xì)胞圖像分類任務(wù)的主動(dòng)學(xué)習(xí)端到端工作流程

細(xì)胞成像的分割和分類等技術(shù)是一個(gè)快速發(fā)展的領(lǐng)域研究。就像在其他機(jī)器學(xué)習(xí)領(lǐng)域一樣，數(shù)據(jù)的標(biāo)注是非常昂貴的，并且對(duì)于數(shù)據(jù)標(biāo)注的質(zhì)量要求也非常的高。針對(duì)這一問(wèn)...

2022-08-13 標(biāo)簽：圖像分類機(jī)器學(xué)習(xí)預(yù)處理 2.3k 0

xgboost在圖像分類中的應(yīng)用

XGBoost（eXtreme Gradient Boosting）是一種高效的機(jī)器學(xué)習(xí)算法，它基于梯度提升框架，通過(guò)構(gòu)建多個(gè)弱學(xué)習(xí)器（通常是決策樹(shù)）來(lái)...

2025-01-19 標(biāo)簽：圖像分類機(jī)器學(xué)習(xí)XGBoost 2k 0

CNN根本無(wú)需理解圖像全局結(jié)構(gòu)，一樣也能SOTA？

好家伙，在CIFAR-10上，用16×16的圖像碎片訓(xùn)練出來(lái)的模型，測(cè)試準(zhǔn)確率能達(dá)到91%，而用完整的32×32尺寸圖像訓(xùn)練出來(lái)的模型，測(cè)試準(zhǔn)確率也不過(guò)90%。

2022-06-09 標(biāo)簽：圖像分類數(shù)據(jù)集cnn 1.9k 0

復(fù)旦&微軟提出?OmniVL：首個(gè)統(tǒng)一圖像、視頻、文本的基礎(chǔ)預(yù)訓(xùn)練模型

根據(jù)輸入數(shù)據(jù)和目標(biāo)下游任務(wù)的不同，現(xiàn)有的VLP方法可以大致分為兩類：圖像-文本預(yù)訓(xùn)練和視頻-文本預(yù)訓(xùn)練。前者從圖像-文本對(duì)中學(xué)習(xí)視覺(jué)和語(yǔ)言表征的聯(lián)合分布...

2022-12-14 標(biāo)簽：圖像圖像分類 1.7k 0

模型部署是打通AI應(yīng)用的最后一公里

為了更好的滿足用戶多種視覺(jué)任務(wù)場(chǎng)景，部署Demo基于PaddleX的Deployment模塊進(jìn)行二次開(kāi)發(fā)，不僅僅支持對(duì)PaddleX自身訓(xùn)練的模型進(jìn)行推...

2022-06-07 標(biāo)簽：AI圖像分類工業(yè)制造 1.6k 0

大連理工提出基于Wasserstein距離(WD)的知識(shí)蒸餾方法

自 Hinton 等人的開(kāi)創(chuàng)性工作以來(lái)，基于 Kullback-Leibler 散度（KL-Div）的知識(shí)蒸餾一直占主導(dǎo)地位。 然而，KL-Div 僅比...

2025-01-21 標(biāo)簽：圖像分類目標(biāo)檢測(cè) 1.4k 0

使用元學(xué)習(xí)進(jìn)行少樣本圖像分類

首發(fā)：AI公園公眾號(hào)作者：Etienne編譯：ronghuaiyang導(dǎo)讀你并不總是有足夠的圖像來(lái)訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)。下面是教你如何通過(guò)幾個(gè)樣本讓...

2020-12-14 標(biāo)簽：圖像分類深度學(xué)習(xí) 1.1k 0