AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：无监督域适应×
6月25日
11:05
11:05arXiv cs.AI@Sen Li, Haichao Cui, Chendong Shao, Yaqi Wang, Xinhua Tang
该论文提出一种无监督域适应框架结合渐进源域扩展策略，用于TIG焊接与激光焊接之间的跨进程渗透状态分类。在TIGFH数据集上达到90.65%准确率，在LSPS数据集上达到90.72%，分别超过监督基线35.83%和38.87%。跨进程任务中，TIG到激光准确率80.48%，激光到TIG准确率81.13%，分别提升43.39%和43.40%。方法无需目标域标注，显著降低新焊接工艺的重新标注成本。
论文焊接渗透状态预测无监督域适应领域自适应TIG焊接激光焊接
推荐理由：想跨焊接工艺直接套用模型？这篇论文用无监督域适应，在TIG和激光焊接上准确率从四成多拉到八成以上，不用重新标数据。
原文
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
6月4日
10:41
10:41arXiv cs.AI@Elouan Gardès, Seung Eun Yi, Kartik Ahuja, Théo Moutakanni, Huy V. Vo, Piotr Bojanowski, Wolfgang M. Pernice, Loïc Landrieu, Camille Couprie
论文提出一种无标签方法 FINO，利用元数据（如拍摄条件、地理位置等）以自监督方式将通用视觉基础模型适配到专业科学领域。该方法结合自监督学习与灵活的元数据引导，能处理离散和连续元数据，保留有用信息并抑制噪声。在亚细胞荧光显微镜、地球观测、野生动物监测和医学影像等多个领域，FINO 超越了标准无监督域适应和全监督适应方法，甚至超过了高度专业化的领域特定模型。该方法无需任务标签进行骨干网络适配，仅需轻量级分类头进行监督，解决了科学领域标签稀缺和模型泛化性下降的问题。
论文视觉基础模型无监督域适应元数据科学图像自监督学习
推荐理由：科学图像分析团队终于有了不用手动标注就能适配大模型的方法——FINO 用已有的元数据就能提升效果，做显微镜、卫星或医学影像的开发者可以直接试试。
原文