Zobrazeno 1 - 7
of 7
pro vyhledávání: '"Kou, Zhiqiang"'
In this paper, we introduce the Dependent Noise-based Inaccurate Label Distribution Learning (DN-ILDL) framework to tackle the challenges posed by noise in label distribution learning, which arise from dependencies on instances and labels. We start b
Externí odkaz:
http://arxiv.org/abs/2405.16474
Recently, Stitchable Neural Networks (SN-Net) is proposed to stitch some pre-trained networks for quickly building numerous networks with different complexity and performance trade-offs. In this way, the burdens of designing or training the variable-
Externí odkaz:
http://arxiv.org/abs/2312.05743
Label distribution (LD) uses the description degree to describe instances, which provides more fine-grained supervision information when learning with label ambiguity. Nevertheless, LD is unavailable in many real-world applications. To obtain LD, lab
Externí odkaz:
http://arxiv.org/abs/2303.11698
Label distribution learning (LDL) trains a model to predict the relevance of a set of labels (called label distribution (LD)) to an instance. The previous LDL methods all assumed the LDs of the training instances are accurate. However, annotating hig
Externí odkaz:
http://arxiv.org/abs/2302.13000
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.
Publikováno v:
IEEE transactions on neural networks and learning systems [IEEE Trans Neural Netw Learn Syst] 2024 Aug 14; Vol. PP. Date of Electronic Publication: 2024 Aug 14.