サインイン
インサイト - 이미지 인식 및 분류
일부 레이블된 데이터와 레이블되지 않은 데이터를 활용한 효율적인 일반화된 범주 발견 프레임워크
부분적으로 레이블된 데이터에서 인스턴스 간 긍정적 관계를 활용하여 표현 학습을 강화함으로써 알려진 범주와 알려지지 않은 범주를 모두 효과적으로 발견할 수 있는 프레임워크를 제안한다.
개념 병목 모델에서 개념의 신뢰성에 대한 연구
개념 병목 모델의 입력-개념 매핑이 여전히 블랙박스이기 때문에 개념의 신뢰성이 낮아 모델의 해석 가능성이 제한적이다. 이를 해결하기 위해 개념 신뢰성 평가 지표를 제안하고, 개선된 개념 병목 모델 프레임워크와 모듈을 제안한다.
심각한 손상된 이미지에 대한 강인한 인식을 위한 FFT 기반 통계 선택 및 최적화
본 논문은 고주파 FFT 특징을 활용하여 입력 이미지의 손상 유형을 감지하고, 이에 맞는 계층별 특징 정규화 통계를 선택함으로써 심각한 손상 이미지에 대한 분류 모델의 강인성을 향상시키는 방법을 제안한다.
심각한 손상된 이미지에 대한 강인한 인식을 위한 FFT 기반 통계 선택 및 최적화
본 논문은 고주파 FFT 특징을 활용하여 입력 이미지의 손상 유형을 감지하고, 이에 따라 모델의 층별 특징 정규화 통계를 선택함으로써 심각하게 손상된 이미지에 대한 모델 강인성을 향상시키는 방법을 제안한다.
효율적인 공간 프롬프트 튜닝을 통한 일반화된 범주 발견 프레임워크 SPTNet
본 논문은 일반화된 범주 발견(GCD) 문제를 해결하기 위해 모델 매개변수와 데이터 매개변수를 동시에 최적화하는 두 단계 반복 학습 프레임워크 SPTNet을 제안한다. 또한 공간 프롬프트 튜닝(SPT) 기법을 통해 입력 데이터의 표현을 개선하여 사전 학습된 모델과의 정렬을 향상시킨다.
© 2024 by Linnk AI