Fugu-MT 論文翻訳(概要): Deep Domain Adaptive Object Detection: a Survey

論文の概要: Deep Domain Adaptive Object Detection: a Survey

arxiv url: http://arxiv.org/abs/2002.06797v3
Date: Wed, 11 Nov 2020 06:29:01 GMT
ステータス: 処理完了
システム内更新日: 2022-12-31 13:00:51.372162
Title: Deep Domain Adaptive Object Detection: a Survey
Title（参考訳）: Deep Domain Adaptive Object Detection: A Survey
Authors: Wanyi Li, Fuyu Li, Yongkang Luo, Peng Wang and Jia sun
Abstract要約: 深層学習(DL)に基づく物体検出は大きな進歩を遂げた。深部ドメイン適応オブジェクト検出(DDAOD)が新しい学習パラダイムとして登場した。本稿では,深部領域適応型オブジェクト検出手法の現状を概観する。
参考スコア（独自算出の注目度）: 10.417490706128607
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning (DL) based object detection has achieved great progress. These methods typically assume that large amount of labeled training data is available, and training and test data are drawn from an identical distribution. However, the two assumptions are not always hold in practice. Deep domain adaptive object detection (DDAOD) has emerged as a new learning paradigm to address the above mentioned challenges. This paper aims to review the state-of-the-art progress on deep domain adaptive object detection approaches. Firstly, we introduce briefly the basic concepts of deep domain adaptation. Secondly, the deep domain adaptive detectors are classified into five categories and detailed descriptions of representative methods in each category are provided. Finally, insights for future research trend are presented.
Abstract（参考訳）: 深層学習(DL)に基づく物体検出は大きな進歩を遂げた。これらの方法は通常、大量のラベル付きトレーニングデータが利用可能であると仮定し、トレーニングとテストデータは同一のディストリビューションから引き出される。しかし、この2つの前提は常に成り立つわけではない。深部ドメイン適応オブジェクト検出(DDAOD)は、上記の課題に対処するための新しい学習パラダイムとして登場した。本稿では,深部領域適応型オブジェクト検出手法の現状を概観する。まず,深層領域適応の基本概念を簡潔に紹介する。次に、深部領域適応検出器を5つのカテゴリに分類し、各カテゴリにおける代表法の詳細記述を行う。最後に,今後の研究動向について考察する。

関連論文リスト

Towards Domain-agnostic Depth Completion [28.25756709062647]
既存の深度補完法は、しばしば特定のスパース深度型を目標とし、タスク領域をまたいだ一般化が不十分である。各種センサで得られたスパース/セミデンス,ノイズ,および低分解能深度マップを完備する手法を提案する。本手法は,最先端の深度補完法に対して優れたクロスドメイン一般化能力を示す。
論文参考訳（メタデータ） (2022-07-29T04:10:22Z)
Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文参考訳（メタデータ） (2022-03-29T17:50:43Z)
Interactron: Embodied Adaptive Object Detection [18.644357684104662]
インタラクティブな環境下での適応オブジェクト検出手法であるInteractronを提案する。私たちの考えは、推論中のトレーニングを継続し、環境との対話を通じて明確な監督なしに、テスト時にモデルを適応させることです。
論文参考訳（メタデータ） (2022-02-01T18:56:14Z)
Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
論文参考訳（メタデータ） (2021-12-16T04:07:01Z)
UDA-COPE: Unsupervised Domain Adaptation for Category-level Object Pose Estimation [84.16372642822495]
我々は、textbfUDA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のための教師なしドメイン適応(UDA)を提案する。近年のマルチモーダルなUDA手法に触発された提案手法は,教師が指導する自己教師型学習手法を利用して,ターゲットドメインラベルを使わずにポーズ推定ネットワークを訓練する。
論文参考訳（メタデータ） (2021-11-24T16:00:48Z)
Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
論文参考訳（メタデータ） (2021-05-27T23:34:06Z)
Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data [13.003241006687322]
リモートセンシングデータ分類の問題を解決するためにドメイン適応(DA)アプローチが提案されている。本稿では,リモートセンシングにおけるDAの最近の進歩について批判的なレビューを行う。高い空間分解能とスペクトル分解能を特徴とするリアルリモートセンシング画像に対する検討手法の適用例を紹介します。
論文参考訳（メタデータ） (2021-04-15T21:15:48Z)
Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-03-25T14:33:33Z)
Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection [0.8701566919381223]
顔提示攻撃検知(PAD)は顔認識システムを確保するために注目されている。 PAD一般化能力を改善するために,ドメイン適応(DA)に基づくエンドツーエンド学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-02-13T05:34:40Z)
DESC: Domain Adaptation for Depth Estimation via Semantic Consistency [24.13837264978472]
単眼深度推定モデルの訓練のための領域適応手法を提案する。セマンティックな予測と低レベルのエッジ機能を活用することで、ドメインギャップを埋める。本手法は,単眼深度推定のための標準領域適応ベンチマークを用いて評価する。
論文参考訳（メタデータ） (2020-09-03T10:54:05Z)
A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文参考訳（メタデータ） (2020-09-01T00:06:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。