复杂样本条件下的深度学习方法与技术中期报告

扫码查看

原文链接

NSTRS

中文摘要：本课题针对复杂小样本条件下深度学习失效或推广能力差的问题开展研究，提提出了基于视频中不同帧变换的自监督特征表示学习方法、基于同变性自监督的弱监督分割方法、基于多标签协同正则的半监督面部动作单元识别方法、任务自适应的分类器预测器的元学习方法，显著提升了深度学习在无标注样本、弱标注样本、部分标注样本、小样本、噪声标注样本等复杂样本条件下的泛化能力，降低了对于强标注数据的依赖，在面部动作单元检测、语义分割、图像分类等任务上取得了显著的性能提升。

报告作者：

山世光

展开 >

作者单位：

中国科学院计算技术研究所

关键词：

无监督深度学习弱监督深度学习小样本深度学习半监督深度学习

全文页数：

报告类型：

中期报告

编制时间：

2020-08-12

立项年：

2018