传统,以及深度学习,达到令人难以置信的结果在许多实际应用取决于大量的可用性和高质量的标签的训练例子。然而,收购的可靠标记训练的例子是一个巨大的挑战对从业者深模型,由于深模型需要大量的标签的训练学习的例子。

实际应用程序的标记过程是复杂的,耗时和昂贵的。因此,有必要开发一些学习策略,可以帮助从业人员获得可靠、丰富、异构标记训练例子机机交互而无需人工干预。此外,大量的标签的训练例子导致更复杂的模型。复杂的模型并不容易解释,不容易繁殖,和有更多的过度拟合的风险最终产生偏见的结果。

因此,这个特殊的问题旨在呈现新趋势的集合在学习策略限制深度模型的复杂性,提高泛化性能。最初的研究和评论文章是受欢迎的。

潜在的主题包括但不限于以下:

• 复杂度和鲁棒性
• 学习策略
• 多层次、多传感器成像
• 传统的多光谱/高光谱成像
• 物联网和安全
• 领域适应气候变化和随机化
• 统计学习
• 模糊逻辑的交互