이미지 분류

התחברות

תובנה - 이미지 분류

노이즈가 있는 장기 꼬리 분포 데이터셋에서 균형 잡힌 깨끗한 부분집합을 추출하여 강건한 모델 학습을 가능하게 하는 방법을 제안한다.

1-최근접 이웃 분류기는 적대적 훈련 기법보다 훈련 및 테스트 데이터에 대해 더 강건한 성능을 보인다.

상호작용형 설명 기법을 통해 사용자가 AI 모델의 주의력을 조정할 수 있지만, 이것이 항상 인간-AI 팀의 분류 정확도를 향상시키지는 않는다.

그래프 컨볼루션 프로젝션과 토크-헤드 기술을 활용하여 작은 데이터셋에서도 우수한 성능을 달성하는 비전 트랜스포머 모델을 제안한다.

장기 꼬리 분포 문제를 해결하기 위해 확산 모델을 활용하여 특징을 증강하는 새로운 접근법을 제안한다.

교사 모델의 잘못된 예측을 바로잡고 적절한 데이터를 선택하여 학생 모델의 성능을 향상시킨다.

모델이 이전에 학습한 특징을 잊거나 새로운 특징을 학습하지 못하는 문제를 해결하기 위해 자기 증류와 리셋을 결합한 다양한 특징 학습(Diverse Feature Learning, DFL) 방법을 제안한다.

CLIP 기반 개념 병목 모델을 제안하여 기존 모델의 정확도 저하 문제를 해결하고 중간 표현의 희소성을 활용하여 모델의 해석 가능성을 높였다.

본 연구에서는 사전 학습된 텍스트-이미지 확산 모델을 활용하여 미래 클래스의 합성 이미지를 생성하고, 이를 통해 클래스 증분 학습 모델의 성능을 향상시키는 방법을 제안한다.

본 연구는 생성적 적대 신경망(GAN)을 활용하여 시각적 개념을 학습하고 이를 통해 모델의 해석성과 성능을 향상시키는 새로운 프레임워크를 제안한다.

אודות

מוצרים

מידע נוסף