Academic literature on the topic 'Deep active learning'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Deep active learning.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Deep active learning":
Kragic, Danica. "From active perception to deep learning." Science Robotics 3, no. 23 (October 17, 2018): eaav1778. http://dx.doi.org/10.1126/scirobotics.aav1778.
Chen, Si-An, Voot Tangkaratt, Hsuan-Tien Lin, and Masashi Sugiyama. "Active deep Q-learning with demonstration." Machine Learning 109, no. 9-10 (November 8, 2019): 1699–725. http://dx.doi.org/10.1007/s10994-019-05849-4.
Li, Ying, Binbin Fan, Weiping Zhang, Weiping Ding, and Jianwei Yin. "Deep active learning for object detection." Information Sciences 579 (November 2021): 418–33. http://dx.doi.org/10.1016/j.ins.2021.08.019.
Mystakidis, Stylianos. "Deep Meaningful Learning." Encyclopedia 1, no. 3 (September 18, 2021): 988–97. http://dx.doi.org/10.3390/encyclopedia1030075.
Lv, Xiaoming, Fajie Duan, Jia-Jia Jiang, Xiao Fu, and Lin Gan. "Deep Active Learning for Surface Defect Detection." Sensors 20, no. 6 (March 16, 2020): 1650. http://dx.doi.org/10.3390/s20061650.
Hand, Len, Peter Sanderson, and Mike O'Neil. "Fostering deep and active learning through assessment." Accounting Education 5, no. 2 (June 1996): 103–19. http://dx.doi.org/10.1080/09639289600000013.
FURUKAWA, Ryo. "Active-Stero Methods Based on Deep Learning." Journal of the Japan Society for Precision Engineering 87, no. 2 (February 5, 2021): 179–81. http://dx.doi.org/10.2493/jjspe.87.179.
Quan, Lin, Long Xu, Ling Li, Huaning Wang, and Xin Huang. "Solar Active Region Detection Using Deep Learning." Electronics 10, no. 18 (September 17, 2021): 2284. http://dx.doi.org/10.3390/electronics10182284.
Zhang, Hao, and DeLiang Wang. "Deep ANC: A deep learning approach to active noise control." Neural Networks 141 (September 2021): 1–10. http://dx.doi.org/10.1016/j.neunet.2021.03.037.
Yao, Tuozhong, Wenfeng Wang, and Yuhong Gu. "A Deep Multiview Active Learning for Large-Scale Image Classification." Mathematical Problems in Engineering 2020 (December 14, 2020): 1–7. http://dx.doi.org/10.1155/2020/6639503.
Dissertations / Theses on the topic "Deep active learning":
Kihlström, Helena. "Active Stereo Reconstruction using Deep Learning." Thesis, Linköpings universitet, Institutionen för medicinsk teknik, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-158276.
Budnik, Mateusz. "Active and deep learning for multimedia." Thesis, Université Grenoble Alpes (ComUE), 2017. http://www.theses.fr/2017GREAM011.
The main topics of this thesis include the use of active learning-based methods and deep learning in the context of retrieval of multimodal documents. The contributions proposed during this thesis address both these topics. An active learning framework was introduced, which allows for a more efficient annotation of broadcast TV videos thanks to the propagation of labels, the use of multimodal data and selection strategies. Several different scenarios and experiments were considered in the context of person identification in videos, including using different modalities (such as faces, speech segments and overlaid text) and different selection strategies. The whole system was additionally validated in a dry run involving real human annotators.A second major contribution was the investigation and use of deep learning (in particular the convolutional neural network) for video retrieval. A comprehensive study was made using different neural network architectures and training techniques such as fine-tuning or using separate classifiers like SVM. A comparison was made between learned features (the output of neural networks) and engineered features. Despite the lower performance of the engineered features, fusion between these two types of features increases overall performance.Finally, the use of convolutional neural network for speaker identification using spectrograms is explored. The results are compared to other state-of-the-art speaker identification systems. Different fusion approaches are also tested. The proposed approach obtains comparable results to some of the other tested approaches and offers an increase in performance when fused with the output of the best system
Zhao, Wenquan. "Deep Active Learning for Short-Text Classification." Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-212577.
I detta arbete studerar vi en ny aktiv inlärningsalgoritm som appliceras på en djup inlärningsarkitektur för klassificering av korta (kinesiska) texter. Ämnesområdet hör därmedtill ett ämnesöverskridande område mellan aktiv inlärning och inlärning i djupa nätverk .En av flaskhalsarna i djupa nätverk när de används för klassificering är att de beror avtillgången på många klassificerade datapunkter. Dessa är dyra och tidskrävande att skapa. Aktiv inlärning syftar till att överkomma denna typ av nackdel genom att generera frågor rörande de mest informativa oklassade datapunkterna och få dessa klassificerade. Aktiv inlärning syftar med andra ord till att uppnå bästa klassificeringsprestanda medanvändandet av så få klassificerade datapunkter som möjligt. Denna idé har studeratsinom konventionell maskininlärning, som tex supportvektormaskinen (SVM) för bildklassificering samt inom djupa neuronnätverk inkluderande bl.a. convolutional networks(CNN) och djupa beliefnetworks (DBN) för bildklassificering. Emellertid är kombinationenav aktiv inlärning och rekurrenta nätverk (RNNs) för klassificering av korta textersällsynt. Vi demonstrerar här resultat för klassificering av korta texter ur en databas frånZhuiyi Inc. Att notera är att för att uppnå bättre klassificeringsnoggranhet med lägre beräkningsarbete (overhead) så uppvisar den föreslagna algoritmen stora minskningar i detantal klassificerade träningspunkter som behövs jämfört med användandet av slumpvisadatapunkter. Vidare, den föreslagna algoritmen är något bättre än den konventionellaurvalsmetoden, osäkherhetsurval (uncertanty sampling). Den föreslagna aktiva inlärningsalgoritmen minska dramatiskt den mängd klassificerade datapunkter utan att signifikant påverka klassificeringsnoggranheten hos den ursprungliga RNN-klassificeraren när den tränats på hela datamängden. För några fall uppnår den föreslagna algoritmen t.o.m.bättre klassificeringsnoggranhet än denna ursprungliga RNN-klassificerare.
Matosevic, Antonio. "Batch Active Learning for Deep Object Detection in Videos." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-292035.
De senaste framstegen inom objektdetektering kan till största delen tillskrivas djupa neurala nätverk. Träning av sådana modeller kräver dock stora mängder annoterad data. Detta utgör ett två-faldigt problem; att få tag i annoterad data är en tidskrävande process och själva träningen är i många fall beräkningsmässigt kostsam. En vanlig approach för att åtgärda dessa problem är att använda så kallad aktiv inlärning, vilket innebär att man skapar en strategi för att interaktivt välja ut och använda betydligt färre datapunkter samtidigt som prestandan maximeras. I samband med djup objektdetektering på videodata så uppstår två nya utmaningar. För det första så beror typiska osäkerhetsbaserade strategier på kvaliteten på osäkerhetsuppskattningarna, vilka ofta kräver särskild behandling av djupa neurala nätverk. För det andra, om karaktären av batch-baserad träning och likhet mellan bilder i en videosekvens ej beaktas kan det resultera i icke-informativa samlingar av datapunkter som saknar mångfald. I detta arbete försöker vi åtgärda båda problemen genom att föreslå strategier som bygger på förbättrade osäkerhetsuppskattningar och diversifieringsmetoder. Empiriska experiment demonstrerar att våra föreslagna osäkerhetsbaserade strategier är jämförbara med en referensmetod som väljer ut datapunkter slumpmässigt medan diversifieringsstrategierna, givet förbättrade osäkerhetsuppskattningar, ger betydligt bättre prestanda än referensmetoden. Noterbart är att med endast 15% av datamängden når vår bästa strategi så mycket som 90:27% av prestandan som när man använder all tillgänglig data för att träna detektorn.
Flabeau, Jules. "Deep Active Learning of Object Detection for Smart City." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-281798.
Djupinlärning är idag en viktig tillgång för tillämpningar i den smarta staden och annan ny teknik. Det är välkänt att djupa inlärningsmetoder kräver stora mängder data för att uppnå bra prestanda, särskilt för säkerhetskritiska applikationer som autonom körning. Att försöka minska mängden dyr och tidskrävande annotering som utförs av människor är ett hett ämne. En av de mest lovande kandidaterna för att lösa detta problem är aktiv inlärning. I detta arbete fokuserar vi på utformningen av en strategi för aktiv inlärning i ett specifikt sammanhang, detektion av objekt i video. Förutom traditionella kriterier för sampling, utvärderas den temporära koherensen i nätverkets förutsägelser. Denna nyligen introducerade egenskap har visat sig vara effektiv för att utvärdera informationsinnehållet hos datapunkter. Detta arbete introducerar vår metod Temporal Flow. Vi testade vår samplingsstrategi mot de modernaste metoderna och överträffade dem vid jämförelse på ett benchmarking-dataset. Resultaten uppmuntrar en fortsättning av ansträngningarna som gjorts i aktiv inlärning för objektdetektering i videor.
Les réseaux de neurones sont aujourd’hui un atout majeur pour les applications en Smart City et autres nouvelles technologies. Il est bien connu que ces méthodes nécessitent une grande quantité de données pour avoir de bonnes performances, notamment en matière de sécurité pour des applications critiques telles que la conduite autonome. Par conséquent, la réduction de la longue et coûteuse tâche d’annotation effectuée par les annotateurs humains est un sujet de recherche prisé. Étant l’un des candidats les plus prometteurs pour pallier à cela, l’active learning vise à réduire considérablement le nombre d’échantillons à annoter pour le processus d’apprentissage. Dans ce travail, nous nous concentrons sur la conception d’une stratégie d’active learning dans le contexte spécifique de la détection d’objets dans les vidéos. Outre les critères traditionnels d’échantillonnage, les requêtes évaluent la cohérence temporelle des prédictions. Introduite très récemment, cette caractéristique s’est révélée efficace pour évaluer le caractère informatif des points de données. En introduisant Temporal Flow, nous avons testé notre stratégie d’échantillonnage par rapport aux méthodes faisant état de l’art et les avons surpassé sur un dataset de référence. Les résultats prometteurs sont encourageants pour poursuivre l’effort entrepris en active learning pour la détection d’objets dans les vidéos. Une véritable mise en oeuvre de ce travail est faisable, mais des recherches plus avancées peuvent également suivre, comme nous reconnaissons que des améliorations peuvent être apportées.
Saleh, Shahin. "Deep Active Learning for Image Classification using Different Sampling Strategies." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-300056.
Faltningsnätverk har visat sig leverera bra resultat inom området datorseende, men en fundamental flaskhals med Faltningsnätverk är det faktum att den är starkt beroende av klassificerade datapunkter. I det här examensarbetet hanterar vi Faltningsnätverkens giriga beteende av klassificerade datapunkter genom att använda deep active learning med olika typer av urvalsstrategier. Huvudfokus kommer ligga på urvalsstrategierna slumpmässigt urval, minst tillförlitlig urval, marginal baserad urval, entropi baserad urval och K- means urval. Vi väljer att studera den slumpmässiga urvalsstrategin eftersom att den kommer användas för att mäta prestandan hos de andra urvalsstrategierna. Dessutom valde vi urvalsstrategierna minst tillförlitlig urval, marginal baserad urval, entropi baserad urval eftersom att dessa är osäkerhetsbaserade strategier som är intressanta att jämföra med den geometribaserade strategin K- means. Dessa urvalsstrategier hjälper till att hitta de mest informativa/representativa datapunkter bland alla oklassificerade datapunkter, vilket gör att vi behöver klassificera färre datapunkter. Vidare kommer standard dastaseten MNIST och CIFAR10 att användas för att verifiera prestandan för de olika urvalsstrategierna. Slutligen drog vi slutsatsen att genom att använda minst tillförlitlig urval och marginal baserad urval minskade vi mängden klassificerade datapunkter med 79, 25%, i jämförelse med den slumpmässiga urvalsstrategin, för MNIST- datasetet. Dessutom minskade vi mängden klassificerade datapunkter med 67, 92% med hjälp av entropi baserad urval för CIFAR10datasetet.
Vigren, Malcolm, and Linus Eriksson. "End-to-End Road Lane Detection and Estimation using Deep Learning." Thesis, Linköpings universitet, Datorseende, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-157645.
Rydell, Christopher. "Deep Learning for Whole Slide Image Cytology : A Human-in-the-Loop Approach." Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-450356.
Sörsäter, Michael. "Active Learning for Road Segmentation using Convolutional Neural Networks." Thesis, Linköpings universitet, Datorseende, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-152286.
Hu, Xikun. "Multispectral Remote Sensing and Deep Learning for Wildfire Detection." Licentiate thesis, KTH, Geoinformatik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-295655.
Fjärranalysdata har stor potential för upptäckt och övervakning av skogsbränder med förbättrad rumslig upplösning och tidsmässig täckning. Jordobservationssatelliter har använts för att systematiskt övervaka brandaktivitet över stora regioner på två sätt: (i) för att upptäcka placeringen av aktivt brinnande fläckar (under brandhändelsen) och (ii) för att kartlägga den brända ärrens rumsliga omfattning ( under eller efter evenemanget). Aktiv branddetektering spelar en viktig roll i system för tidig varning för skogsbränder. Den öppna tillgången till Sentinel-2 multispektral data vid 20 m upplösning ger en möjlighet att utvärdera dess kompletterande roll i förhållande till den grova indikationen i hotspots som tillhandahålls av MODIS-liknande polaromloppsbanesystem och GOES-liknande geostationära system. Dessutom krävs en korrekt och snabb kartläggning av brända områden för skadebedömning. Senaste framstegen inom deep learning (DL) ger forskaren automatiska, exakta och förspänningsfria storskaliga kartläggningsalternativ för kartläggning av bränt område med unitemporal multispektral bild. Därför är syftet med denna avhandling att utvärdera multispektral fjärranalysdata (särskilt Sentinel- 2) för att upptäcka skogsbränder, inklusive aktiv branddetektering med hjälp av ett multikriterietillvägagångssätt och detektering av bränt område med DL-modeller. För aktiv branddetektering utvecklas en multikriteriemetod baserad på reflektionen av B4, B11 och B12 i Stentinel-2 MSI data för flera representativa brandbenägna biom för att få fram otvetydiga pixlar för aktiv brand. De adaptiva tröskelvärdena för varje biom bestäms statistiskt från 11 miljoner Sentinel-2 observationsprover som förvärvats under sommaren (juni 2019 till september 2019) i 14 regioner eller länder. Det primära kriteriet härleds från 3-sigma-prediktionsintervallet för OLS-regression av observationsprover för varje biom. Mer specifika kriterier baserade på B11 och B12 införs vidare för att minska utelämningsfel (OE) och kommissionsfel (CE). Det multikriteriella tillvägagångssättet visar sig vara effektivt när det gäller upptäckt av svala pyrande bränder i undersökningsområden med tropiska och subtropiska gräsmarker, savanner och buskmarker med hjälp av det primära kriteriet. Samtidigt kan ytterligare kriterier som tröskelvärden för reflektionen av B11 och B12 effektivt minska det fel som orsakas av extremt ljusa lågor runt de heta kärnorna i testområden med skogar, skogsmarker och buskage i Medelhavsområdet. Det andra kriteriet som bygger på förhållandet mellan B12 och B11:s reflektionsgrad undviker också effekterna av CE som orsakas av heta markpixlar i områden med tropiska och subtropiska fuktiga lövskogar. Sammantaget visar valideringsresultatet för testområden att CE och OE kan hållas på en låg nivå (0,14 och 0,04) som en godtagbar kompromiss. Algoritmen med flera kriterier lämpar sig för snabb aktiv branddetektering baserad på unika tidsmässiga bilder utan krav på tidsmässiga data. Multispektrala data med medelhög upplösning kan användas som ett kompletterande val till bilder med kursupplösning på grund av deras förmåga att upptäcka små brinnande områden och att upptäcka aktiva bränder mer exakt. När det gäller kartläggning av brända områden syftar denna avhandling till att förklara hur djupa DL-modeller kan användas för att automatiskt kartlägga brända områden från multispektrala bilder i ett tidsintervall. Olika algoritmer för upptäckt av brända områden har utvecklats med hjälp av Sentinel-2 och/eller Landsat-data, men de flesta av studierna kräver att man har en förebränning. bild före branden, täta tidsseriedata eller ett empiriskt tröskelvärde. I den här avhandlingen tillämpas flera arkitekturer för semantiska segmenteringsnätverk, dvs. U-Net, HRNet, Fast- SCNN och DeepLabv3+, på Sentinel- 2 bilder och Landsat-8 bilder över tre testplatser i två lokala klimatzoner. Dessutom används tre populära algoritmer för maskininlärning (ML) (Light- GBM, KNN och slumpmässiga skogar) och NBR-tröskelvärden (empiriska och OTSU-baserade) i samma undersökningsområden för jämförelse. Valideringsresultaten visar att DL-algoritmerna överträffar maskininlärningsmetoderna (ML) i två av de tre fallen med kompakta brända ärr, medan ML-metoderna verkar vara mer lämpliga för kartläggning av spridda ärr i boreala skogar. Med hjälp av Sentinel-2 bilder uppvisar U-Net och HRNet jämförelsevis identiska prestanda med högre kappa (omkring 0,9) i en heterogen brandplats i Medelhavet i Grekland; Fast-SCNN presterar bättre än andra med kappa över 0,79 i en kompakt boreal skogsbrand med varierande brännskadegrad i Sverige. Vid direkt överföring av de tränade modellerna till motsvarande Landsat-8-data dominerar HRNet dessutom på de tre testplatserna bland DL-modellerna och kan bevara den höga noggrannheten. Resultaten visade att DL-modeller kan utnyttja kontextuell information fullt ut och fånga rumsliga detaljer i flera skalor från brandkänsliga spektralband för att kartlägga brända områden. Med den unika tidsmässiga bilden har DL-baserade metoder potential att användas för nästa jordobservationssatellit med databehandling ombord och begränsad lagring av tidigare scener. I den framtida studien kommer DL-modeller att undersökas för att upptäcka aktiva bränder från fjärranalysdata med flera upplösningar. Det befintliga problemet med obalanserade märkta data kan lösas med hjälp av en avancerad DL-arkitektur, lämplig konfiguration av träningsdatasetet och förbättrad förlustfunktion. För att ytterligare utforska de skador som orsakas av skogsbränder kommer det framtida arbetet att fokusera på bedömningen av brännskadornas allvarlighetsgrad baserat på DL-modeller genom semantisk segmentering av flera klasser. Dessutom kan översättningen mellan optiska bilder och SAR-bilder baserad på en GAN-modell (Generative Adversarial Network) undersökas för att förbättra kartläggningen av brända områden under olika väderförhållanden.
QC 20210525
Books on the topic "Deep active learning":
Matsushita, Kayo, ed. Deep Active Learning. Singapore: Springer Singapore, 2018. http://dx.doi.org/10.1007/978-981-10-5660-4.
Matsushita, Kayo. Deep Active Learning: Toward Greater Depth in University Education. Springer, 2019.
Matsushita, Kayo. Deep Active Learning: Toward Greater Depth in University Education. Springer, 2017.
Brown, Brandon, and Alexander Zai. Deep Reinforcement Learning in Action. Manning Publications, 2020.
Langr, Jakub, and Vladimir Bok. GANs in Action: Deep Learning with Generative Adversarial Networks. Manning Publications Company, 2019.
Mason, Peggy. Basal Ganglia. Oxford University Press, 2017. http://dx.doi.org/10.1093/med/9780190237493.003.0025.
Pryce, Paula. Antechapel. Oxford University Press, 2017. http://dx.doi.org/10.1093/oso/9780190680589.003.0002.
Tutino, Stefania. Uncertainty in Post-Reformation Catholicism. Oxford University Press, 2017. http://dx.doi.org/10.1093/oso/9780190694098.001.0001.
Sielepin, Adelajda. Ku nowemu życiu : teologia i znaczenie chrześcijańskiej inicjacji dla życia wiarą. Uniwersytet Papieski Jana Pawła II w Krakowie. Wydawnictwo Naukowe, 2019. http://dx.doi.org/10.15633/9788374388047.
Book chapters on the topic "Deep active learning":
Matsushita, Kayo. "Introduction." In Deep Active Learning, 1–12. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_1.
Ono, Kazuhiro, and Kayo Matsushita. "PBL Tutorial Linking Classroom to Practice: Focusing on Assessment as Learning." In Deep Active Learning, 183–206. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_10.
Higano, Mikinari. "New Leadership Education and Deep Active Learning." In Deep Active Learning, 207–20. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_11.
Matsushita, Kayo. "An Invitation to Deep Active Learning." In Deep Active Learning, 15–33. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_2.
Barkley, Elizabeth F. "Terms of Engagement: Understanding and Promoting Student Engagement in Today’s College Classroom." In Deep Active Learning, 35–57. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_3.
Marton, Ference. "Towards a Pedagogical Theory of Learning." In Deep Active Learning, 59–77. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_4.
Mizokami, Shinichi. "Deep Active Learning from the Perspective of Active Learning Theory." In Deep Active Learning, 79–91. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_5.
Mori, Tomoko. "The Flipped Classroom: An Instructional Framework for Promotion of Active Learning." In Deep Active Learning, 95–109. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_6.
Yasunaga, Satoru. "Class Design Based on High Student Engagement Through Cooperation: Toward Classes that Bring About Profound Development." In Deep Active Learning, 111–36. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_7.
Taguchi, Mana, and Kayo Matsushita. "Deep Learning Using Concept Maps: Experiment in an Introductory Philosophy Course." In Deep Active Learning, 137–57. Singapore: Springer Singapore, 2017. http://dx.doi.org/10.1007/978-981-10-5660-4_8.
Conference papers on the topic "Deep active learning":
Kudyshev, Zhaxylyk A., Alexander V. Kildishev, Vladimir M. Shalaev, and Alexandra Boltasseva. "Deep learning assisted photonics." In Active Photonic Platforms XII, edited by Ganapathi S. Subramania and Stavroula Foteinopoulou. SPIE, 2020. http://dx.doi.org/10.1117/12.2567198.
Li, Changsheng, Handong Ma, Zhao Kang, Ye Yuan, Xiao-Yu Zhang, and Guoren Wang. "On Deep Unsupervised Active Learning." In Twenty-Ninth International Joint Conference on Artificial Intelligence and Seventeenth Pacific Rim International Conference on Artificial Intelligence {IJCAI-PRICAI-20}. California: International Joint Conferences on Artificial Intelligence Organization, 2020. http://dx.doi.org/10.24963/ijcai.2020/364.
Haussmann, Manuel, Fred Hamprecht, and Melih Kandemir. "Deep Active Learning with Adaptive Acquisition." In Twenty-Eighth International Joint Conference on Artificial Intelligence {IJCAI-19}. California: International Joint Conferences on Artificial Intelligence Organization, 2019. http://dx.doi.org/10.24963/ijcai.2019/343.
Rottmann, Matthias, Karsten Kahl, and Hanno Gottschalk. "Deep Bayesian Active Semi-Supervised Learning." In 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). IEEE, 2018. http://dx.doi.org/10.1109/icmla.2018.00031.
Pimentel, Tiago, Marianne Monteiro, Adriano Veloso, and Nivio Ziviani. "Deep Active Learning for Anomaly Detection." In 2020 International Joint Conference on Neural Networks (IJCNN). IEEE, 2020. http://dx.doi.org/10.1109/ijcnn48605.2020.9206769.
Ranganathan, Hiranmayi, Hemanth Venkateswara, Shayok Chakraborty, and Sethuraman Panchanathan. "Deep active learning for image classification." In 2017 IEEE International Conference on Image Processing (ICIP). IEEE, 2017. http://dx.doi.org/10.1109/icip.2017.8297020.
Asghar, Nabiha, Pascal Poupart, Xin Jiang, and Hang Li. "Deep Active Learning for Dialogue Generation." In Proceedings of the 6th Joint Conference on Lexical and Computational Semantics (*SEM 2017). Stroudsburg, PA, USA: Association for Computational Linguistics, 2017. http://dx.doi.org/10.18653/v1/s17-1008.
Duong, Long, Hadi Afshar, Dominique Estival, Glen Pink, Philip Cohen, and Mark Johnson. "Active learning for deep semantic parsing." In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). Stroudsburg, PA, USA: Association for Computational Linguistics, 2018. http://dx.doi.org/10.18653/v1/p18-2008.
Brust, Clemens-Alexander, Christoph Käding, and Joachim Denzler. "Active Learning for Deep Object Detection." In 14th International Conference on Computer Vision Theory and Applications. SCITEPRESS - Science and Technology Publications, 2019. http://dx.doi.org/10.5220/0007248601810190.
An, Bang, Wenjun Wu, and Huimin Han. "Deep Active Learning for Text Classification." In ICVISP 2018: The 2nd International Conference on Vision, Image and Signal Processing. New York, NY, USA: ACM, 2018. http://dx.doi.org/10.1145/3271553.3271578.
Reports on the topic "Deep active learning":
Fullan, Michael, and Joanne Quinn. How Do Disruptive Innovators Prepare Today's Students to Be Tomorrow's Workforce?: Deep Learning: Transforming Systems to Prepare Tomorrow’s Citizens. Inter-American Development Bank, December 2020. http://dx.doi.org/10.18235/0002959.