IRTUM – Institutional Repository of the Technical University of Moldova

Overview of computer vision supervised learning techniques for low-data training

Show simple item record

dc.contributor.author BURLACU, Alexandru
dc.date.accessioned 2020-09-10T12:13:16Z
dc.date.available 2020-09-10T12:13:16Z
dc.date.issued 2020
dc.identifier.citation BURLACU, Alexandru. Overview of computer vision supervised learning techniques for low-data training. In: Journal of Social Sciences. 2020, Vol. 3(3), pp. 18-28. ISSN 2587-3490. eSSN 2587-3504. en_US
dc.identifier.issn 2587-3490
dc.identifier.issn 2587-3504
dc.identifier.uri http://dx.doi.org/10.5281/zenodo.3971950
dc.identifier.uri http://repository.utm.md/handle/5014/9349
dc.identifier.uri https://doi.org/10.5281/zenodo.4298709
dc.description.abstract In the age of big data and machine learning the costs to turn the data into fuel for the algorithms is prohibitively high. Organizations that can train better models with fewer annotation efforts will have a competitive edge. This work is an overview of techniques of varying complexity and novelty for supervised, or rather weakly supervised learning for computer vision algorithms. The paper starts describing various methods to ease the need for a big labeled dataset with giving some background on supervised, weakly-supervised and then self-supervised learning in general, and in computer vision specifically. The paper describes the importance of these methods in fields such as medical imaging and autonomous driving. en_US
dc.description.abstract În epoca Big Data și a învățării automate devine tot mai costisitor de a converti datele în combustibil pentru algoritmi. Organizațiile ce sunt capabile de a crea modele algoritmice mai performante ce pot adnota datele cu efort minim față de concurenți au un avantaj competitiv major. Lucrarea dată prezintă un ansamblu de tehnici de complexitate și noutate variabilă pentru algoritmi cu învățare supervizată pentru probleme de vedere artificială. Articolul începe cu descrierea diferitor metode ce pot ușura necesitatea de a avea un set mare de date adnotate prin prezentarea câtorva tehnici bazate pe învățare supervizată, semi-supervizată și auto-supervizată. Ulterior sunt descrise diferite seturi de date tradițional utilizate pentru a estima performanța acestor algoritmi. Pe parcurs articolul descrie importanța acestor metode pentru asemenea domenii ca imagistica medicală și conducere autonomă. ro
dc.language.iso en en_US
dc.publisher Technical University of Moldova en_US
dc.rights Attribution-NonCommercial-NoDerivs 3.0 United States *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/us/ *
dc.subject knowledge en_US
dc.subject learning en_US
dc.subject cunoștințe en_US
dc.subject învățare en_US
dc.title Overview of computer vision supervised learning techniques for low-data training en_US
dc.type Article en_US


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States

Search DSpace


Browse

My Account