Domein-adaptieve Convolutionele Neurale Netwerken
Een domein-adaptief CNN traint een convolutioneel netwerk op een gelabelde bron-domein en past de geleerde kenmerkrepresentaties aan naar een ongelabeld of licht gelabeld doel-domein, waardoor de distributiekloof wordt overbrugd zodat visuele classificatoren betrouwbaar over datasets, sensoren of beeldvormingscondities kunnen worden overgedragen zonder volledige herannotatie.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- Ganin, Y., Ustinova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Tzeng, E., Hoffman, J., Saenko, K., & Darrell, T. (2017). Adversarial discriminative domain adaptation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 7167–7176. DOI: 10.1109/CVPR.2017.316 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Domain-adaptive Convolutional Neural Network (DA-CNN). ScholarGate. https://scholargate.app/nl/deep-learning/domain-adaptive-convolutional-neural-network
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Domeinadaptief Recurrent Neuraal NetwerkDeep learning↔ vergelijken
- Domein-Adaptieve Vision TransformerDeep learning↔ vergelijken
- Fijn-afgestelde Convolutionele Neurale NetwerkenDeep learning↔ vergelijken
- BeeldclassificatieDeep learning↔ vergelijken
- Transfer Learning met Convolutional Neural NetworkDeep learning↔ vergelijken
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →