颜色分类leetcode transfer learning 迁移学习研究

颜色分类leetcode迁移学习研究|| | | | | ||评论论文2019年2018年通过来自2D训练网络的转移学习，用于低剂量CT的3D卷积编码器-解码器网络。关于深度迁移学习的调查。 Avatar-Net：通过特征装饰进行多尺度零样本风格转移。用于低数据传输学习的胶囊网络。删除、检索、生成：一种简单的情感和风格转移方法。向邻居学习：从稀疏注释中学习多模态映射。 [最佳论文] Taskonomy：解开任务迁移学习。 :star: 2017年对齐的图像-词表示改进了视觉-语言任务之间的归纳转移。用于知识库完成的可解释知识转移模型。具有自适应实例归一化的实时任意风格转移。两全其美：将知识从判别学习转移到生成式视觉对话模型。向富人借宝：通过选择性联合微调进行深度迁移学习。在Come Swim中通过神经风格迁移将印象派带入生活。表征和提高神经风格转移的稳定性。 D