H11-M14_CODE.zip
データセットの概要より
Method 為了使細胞實例分割模型具有持續性學習的能力，本方法以兩階段的實例分割模型為框架,加入輸出層級以及特徵層級的知識蒸餾以解決持續性學習裡的災難性遺忘問題,並且以偽標籤方法來解決來解決背景偏移問題，使得模型可以持續學習新資料以及新類別。 Usage 能用於持續性學習之細胞分割模型 Release Note v1.0.0, 2023/07/11...
Source: H11-M14_持續性學習之影像分割模型
追加情報
| フィールド | 値 |
|---|---|
| 最終更新日 | 2023 / 10月 / 10, |
| メタデータ最終更新日時 | 2023 / 7月 / 11, |
| 作成日 | 2023 / 7月 / 11, |
| データ形式 | application/zip |
| ライセンス | Other (Non-Commercial) |
| created | 2 年以上前 |
| format | ZIP |
| id | 7be3744c-dfea-42f4-9309-558c2a809cd4 |
| last modified | 2 年以上前 |
| md5 | c93f2c08dc057c04e2fda60abb1ca31d |
| mimetype | application/zip |
| package id | 865cfd97-8498-449f-9780-4d041629e4d9 |
| proxy url | https://scidm.nchc.org.tw/ja/dataset/865cfd97-8498-449f-9780-4d041629e4d9/resource/7be3744c-dfea-42f4-9309-558c2a809cd4/nchcproxy/H11-M14_CODE.zip |
| revision id | 8a10a645-8416-4e24-965d-c8556c2592f7 |
| sha256 | 5c4fc794e3829d872d85a64809938eb2e521c0166707274e952d99194c55463e |
| size | 117.4 MiB |
| state | active |
| url type | upload |
推薦資料集：