<?xml version='1.0' encoding='utf-8'?>
<resource xmlns:xsi='http://www.w3.org/2001/XMLSchema-instance' xmlns='http://datacite.org/schema/kernel-3' xsi:schemaLocation='http://datacite.org/schema/kernel-3 http://schema.datacite.org/meta/kernel-3/metadata.xsd'>
<identifier identifierType='DOI'>10.5281/zenodo.4298709</identifier>
<creators>
<creator>
<creatorName>Burlacu, A.I.</creatorName>
<affiliation>Universitatea Tehnică a Moldovei, Moldova, Republica</affiliation>
</creator>
</creators>
<titles>
<title xml:lang='en'>Overview of computer vision supervised learning techniques for low-data training</title>
</titles>
<publisher>Instrumentul Bibliometric National</publisher>
<publicationYear>2020</publicationYear>
<relatedIdentifier relatedIdentifierType='ISSN' relationType='IsPartOf'>2587-3474</relatedIdentifier>
<subjects>
<subject>knowledge distillation</subject>
<subject>knowledge transfer</subject>
<subject>self-supervised learning</subject>
<subject>semi-supervised learning</subject>
<subject>weakly-supervised learning</subject>
<subject>distilare de cunoștințe</subject>
<subject>transfer de cunoștințe</subject>
<subject>învățare supravegheată</subject>
<subject>învățare semi-supravegheată</subject>
<subject>învățare slab supravegheată</subject>
<subject schemeURI='http://udcdata.info/' subjectScheme='UDC'>004.8/.9</subject>
</subjects>
<dates>
<date dateType='Issued'>2020-12-23</date>
</dates>
<resourceType resourceTypeGeneral='Text'>Journal article</resourceType>
<descriptions>
<description xml:lang='en' descriptionType='Abstract'><p>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.</p></description>
<description xml:lang='ro' descriptionType='Abstract'><p>&Icirc;n epoca Big Data și a &icirc;nvățării automate devine tot mai costisitor de a converti datele &icirc;n 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 &icirc;nvățare supervizată pentru probleme de vedere artificială. Articolul &icirc;ncepe cu descrierea diferitor metode ce pot ușura necesitatea de a avea un set mare de date adnotate prin prezentarea c&acirc;torva tehnici bazate pe &icirc;nvățare 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.</p></description>
</descriptions>
<formats>
<format>application/pdf</format>
</formats>
</resource>