Zobrazeno 1 - 10
of 13
pro vyhledávání: '"Ba Hung N"'
Autor:
Thi Duyen Ngo, Hai Dang Kieu, Minh Hoa Nguyen, The Hoang-Anh Nguyen, Van Mao Can, Ba Hung Nguyen, Thanh Ha Le
Publikováno v:
Scientific Data, Vol 11, Iss 1, Pp 1-11 (2024)
Abstract This research presents a dataset consisting of electroencephalogram and eye tracking recordings obtained from six patients with amyotrophic lateral sclerosis (ALS) in a locked-in state and one hundred seventy healthy individuals. The ALS pat
Externí odkaz:
https://doaj.org/article/e53d8a361b4d416a92d9b98e427430fe
Publikováno v:
IEEE Access, Vol 12, Pp 36267-36279 (2024)
The Vision Transformer (ViT) model serves as a powerful model to capture and comprehend global information, particularly when trained on extensive datasets. Conversely, the Convolutional Neural Network (CNN) model is beneficial to training with small
Externí odkaz:
https://doaj.org/article/81112375e6dd4e498106e2eec085f108
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Access, Vol 11, Pp 134969-134985 (2023)
In single-source unsupervised domain adaptation (SUDA), it is often assumed that a single-source domain can cover all target domain features. However, the limitation of labeled samples means that a model trained on a labeled source domain cannot alwa
Externí odkaz:
https://doaj.org/article/1a72431139924c968b0e84d14f33dfa9
Publikováno v:
IEEE Access, Vol 10, Pp 91137-91149 (2022)
Multi-source Unsupervised Domain Adaptation (MUDA) is an approach aiming to transfer the knowledge obtained from multiple labeled source domains to an unlabeled target domain. In this paper, we propose a novel self-training method for MUDA, which inc
Externí odkaz:
https://doaj.org/article/1b968c7e32544c9788b938fd6d69ad79
Publikováno v:
IEEE Access, Vol 9, Pp 166488-166501 (2021)
Recently, Semi-supervised Domain Adaptation (SSDA) has become more practical because a small number of labeled target samples can significantly boost the empirical target performance when using SSDA. Several current methods focus on prototype-based a
Externí odkaz:
https://doaj.org/article/79d2713663264d90a6ab4102bdb86a42
Publikováno v:
IEEE Access, Vol 9, Pp 128467-128480 (2021)
Semi-supervised domain adaptation (SSDA) is a promising technique for various applications. It can transfer knowledge learned from a source domain having high-density labeled samples to a target domain having limited labeled samples. Several previous
Externí odkaz:
https://doaj.org/article/683878553f0f49f08dc86624c97ec963
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.