Pocas clasificaciones con extracción de características profundas de doble modelo y medición de similitud
Autores: Guo, Jing-Ming; Seshathiri, Sankarasrinivasan; Chen, Wen-Hsiang
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Pocas clasificaciones con extracción de características profundas de doble modelo y medición de similitud
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje de máquinas tradicional
Clasificadores de aprendizaje profundo
Datos etiquetados
Muestras de entrenamiento
Etiquetas ruidosas
Clasificación de pocas muestras
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Desde el aprendizaje automático tradicional hasta los clasificadores más recientes de aprendizaje profundo, la mayoría de los modelos requieren una gran cantidad de datos etiquetados para realizar un entrenamiento óptimo y obtener el mejor rendimiento.
Descripción
Desde el aprendizaje automático tradicional hasta los clasificadores más recientes de aprendizaje profundo, la mayoría de los modelos requieren una gran cantidad de datos etiquetados para realizar un entrenamiento óptimo y obtener el mejor rendimiento.