Aller au contenu principal
2026 conference-paper

Remind Me of Something? Zero-Shot Learning for Trustworthy Image Comparison in Rolling Stock

1Citations signalées, ce qui n’est pas une note de qualité
3Institutions déclarées
1Pays d’affiliation déclarés

Rattachement africain : it. Niveau de preuve : code pays fourni par la source.

Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Remind Me of Something? Zero-Shot Learning for Trustworthy Image Comparison in Rolling Stock
Date Crossref
01/01/2026
Éditeur
Springer Nature Switzerland
Type
book-chapter

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Istituto di Scienza e Tecnologie dell'Informazione "Alessandro Faedo" pays non établi dans la notice
    Structure de recherche
  • University of Pisa Department of Computer Science pays non établi dans la notice
    Université ou école supérieure
  • Istituto Nazionale di Fisica Nucleare pays non établi dans la notice
    Structure de recherche
  • Institute of Information Science and Technologies “A. Faedo” pays non établi dans la notice
    Structure de recherche

Istituto di Scienza e Tecnologie dell'Informazione "Alessandro Faedo", Department of Computer Science — University of Pisa et Istituto Nazionale di Fisica Nucleare, avec 1 autre affiliation.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Adversarial Robustness in Machine LearningDomain Adaptation and Few-Shot LearningAnomaly Detection Techniques and Applications

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.