Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Eldorado's Institute of Technology | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Santos, Claudio Filipi Gonçalves Dos | - |
Autor(es): dc.creator | Papa, João Paulo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T19:55:51Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T19:55:51Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-09-14 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1145/3510413 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249425 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249425 | - |
Descrição: dc.description | Several image processing tasks, such as image classification and object detection, have been significantly improved using Convolutional Neural Networks (CNN). Like ResNet and EfficientNet, many architectures have achieved outstanding results in at least one dataset by the time of their creation. A critical factor in training concerns the network's regularization, which prevents the structure from overfitting. This work analyzes several regularization methods developed in the past few years, showing significant improvements for different CNN models. The works are classified into three main areas: The first one is called data augmentation,where all the techniques focus on performing changes in the input data. The second, named internal changes,aims to describe procedures to modify the feature maps generated by the neural network or the kernels. The last one, called label,concerns transforming the labels of a given input. This work presents two main differences comparing to other available surveys about regularization: (i) the first concerns the papers gathered in the manuscript, which are not older than five years, and (ii) the second distinction is about reproducibility, i.e., all works referred here have their code available in public repositories or they have been directly implemented in some framework, such as TensorFlow or Torch. | - |
Descrição: dc.description | Federal Institute of São Carlos-UFSCar, Rod. Washington Luiz, 235, São Carlos | - |
Descrição: dc.description | Eldorado's Institute of Technology, Av. Alan Turing, 275, Campinas | - |
Descrição: dc.description | São Paulo State University-UNESP, Av. Eng. Luís Edmundo Carrijo Coube, 14-01, Bauru | - |
Descrição: dc.description | São Paulo State University-UNESP, Av. Eng. Luís Edmundo Carrijo Coube, 14-01, Bauru | - |
Idioma: dc.language | en | - |
Relação: dc.relation | ACM Computing Surveys | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | convolutional neural networks | - |
Palavras-chave: dc.subject | Regularization | - |
Título: dc.title | Avoiding Overfitting: A Survey on Regularization Methods for Convolutional Neural Networks | - |
Tipo de arquivo: dc.type | vídeo | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: