基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
在运用深度学习解决问题时,最常见障碍在于训练模型需要海量的数据.虽然每天互联网上以TB的量级产生数据(尤其是无语言障碍的图像数据),但对于新领域仅有小部分的数据带有标签,若对这些数据都进行人工标记,将会耗费大量的人力与物力,这就给模型的训练带来了极大的挑战.将针对上述问题,提出运用Fine-tune模型、域对抗训练从现有的数据中迁移知识,训练自己的小样本数据集.
推荐文章
基于深度学习的图像识别技术研究综述
图像识别
CNN
R-CNN
SPP-Net
FastR-CNN
一种利用迁移学习训练卷积神经网络的声呐图像识别方法
声呐成像
目标自动识别
卷积神经网络
迁移学习
基于Hadoop平台的图像识别
字符识别
Hadoop平台
图像识别
数据交换时间
基于Radon变换的图像识别研究
Radon变换
不变量
奇异值分解
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于迁移学习的图像识别研究
来源期刊 微型电脑应用 学科 工学
关键词 深度学习 Fine-tune模型 域对抗
年,卷(期) 2018,(7) 所属期刊栏目 基金项目
研究方向 页码范围 10-12
页数 3页 分类号 TP181
字数 1617字 语种 中文
DOI
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 袁文翠 东北石油大学计算机与信息技术学院 10 62 5.0 7.0
2 孔雪 东北石油大学计算机与信息技术学院 2 35 2.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (29)
共引文献  (203)
参考文献  (6)
节点文献
引证文献  (6)
同被引文献  (25)
二级引证文献  (3)
1994(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(3)
  • 参考文献(0)
  • 二级参考文献(3)
2006(2)
  • 参考文献(1)
  • 二级参考文献(1)
2008(3)
  • 参考文献(0)
  • 二级参考文献(3)
2009(4)
  • 参考文献(0)
  • 二级参考文献(4)
2010(9)
  • 参考文献(3)
  • 二级参考文献(6)
2011(1)
  • 参考文献(0)
  • 二级参考文献(1)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2014(8)
  • 参考文献(1)
  • 二级参考文献(7)
2015(1)
  • 参考文献(1)
  • 二级参考文献(0)
2018(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(6)
  • 引证文献(5)
  • 二级引证文献(1)
2020(3)
  • 引证文献(1)
  • 二级引证文献(2)
研究主题发展历程
节点文献
深度学习
Fine-tune模型
域对抗
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
微型电脑应用
月刊
1007-757X
31-1634/TP
16开
上海市华山路1954号上海交通大学铸锻楼314室
4-506
1984
chi
出版文献量(篇)
6963
总下载数(次)
20
总被引数(次)
28091
论文1v1指导