Veuillez choisir le dossier dans lequel vous souhaitez ajouter ce contenu :
Filtrer les résultats
Colloque
Les méthodes d’apprentissage profond sont prometteuses pour s’attaquer au défi de l’analyse d’images en neurosciences. Cependant, l’entraînement supervisé de modèles d’apprentissage profond nécessite de grandes quantités de données annotées. Ceci peut être problématique lorsque l’acquisition et l’annotation des données sont coûteuses. Par exemple, pour une tâche de segmentation en neurophotonique, un expert doit annoter manuellement des structures complexes dans des images de microscopie d’échantillons biologiques dispendieux. L’apprentissage actif (AL) vise à diminuer ce problème en réduisant la quantité de données à annoter en sélectionnant les échantillons les plus informatifs pour le modèle. Cependant, plusieurs approches d’AL supposent que le coût …
Colloque
Les méthodes d’apprentissage profond sont prometteuses pour s’attaquer au défi de l’analyse d’images en neurosciences. Cependant, l’entraînement supervisé de modèles d’apprentissage profond nécessite de grandes quantités de données annotées. Ceci peut être problématique lorsque l’acquisition et l’annotation des données sont coûteuses. Par exemple, pour une tâche de segmentation en neurophotonique, un expert doit annoter manuellement des structures complexes dans des images de microscopie d’échantillons biologiques dispendieux. L’apprentissage actif (AL) vise à diminuer ce problème en réduisant la quantité de données à annoter en sélectionnant les échantillons les plus informatifs pour le modèle. Cependant, plusieurs approches d’AL supposent que le coût …
