論文の概要: Adversarial Semi-Supervised Multi-Domain Tracking

• arxiv url: http://arxiv.org/abs/2009.14635v1
• Date: Wed, 30 Sep 2020 12:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:02:25.172836
• Title: Adversarial Semi-Supervised Multi-Domain Tracking
• Title（参考訳）: 逆向き半教師付きマルチドメイントラッキング
• Authors: Kourosh Meshgi, Maryam Sadat Mirzaei
• Abstract要約: 視覚的トラッキングでは、マルチドメイントラッカーの共有レイヤに出現する機能は、目に見えないビデオのトラッキングに不可欠である。 逆学習を用いて,ドメイン不変とドメイン固有の特徴を分離する半教師付き学習手法を提案する。 私たちは、さまざまなタイプのビデオで例外的に機能するトラッカーを構築します。
• 参考スコア（独自算出の注目度）: 1.0152838128195465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural networks for multi-domain learning empowers an effective combination of information from different domains by sharing and co-learning the parameters. In visual tracking, the emerging features in shared layers of a multi-domain tracker, trained on various sequences, are crucial for tracking in unseen videos. Yet, in a fully shared architecture, some of the emerging features are useful only in a specific domain, reducing the generalization of the learned feature representation. We propose a semi-supervised learning scheme to separate domain-invariant and domain-specific features using adversarial learning, to encourage mutual exclusion between them, and to leverage self-supervised learning for enhancing the shared features using the unlabeled reservoir. By employing these features and training dedicated layers for each sequence, we build a tracker that performs exceptionally on different types of videos.
• Abstract（参考訳）: マルチドメイン学習のためのニューラルネットワークは、パラメータの共有と共学習によって、異なるドメインからの情報の効果的な組み合わせを促進する。 視覚的トラッキングでは、さまざまなシーケンスでトレーニングされたマルチドメイントラッカーの共有レイヤに出現する機能は、目に見えないビデオのトラッキングに不可欠である。 しかし、完全に共有されたアーキテクチャでは、新しい機能のいくつかは特定のドメインでのみ有用であり、学習した特徴表現の一般化を減らすことができる。 逆学習を用いてドメイン不変性とドメイン固有特徴を分離し,それらの相互排除を促進する半教師あり学習スキームを提案し,ラベルなし貯水池を用いた共有機能強化のために自己教師あり学習を活用する。 これらの機能を活用し、各シーケンス用の専用レイヤをトレーニングすることで、さまざまなタイプのビデオで例外的に機能するトラッカーを構築します。

関連論文リスト

• Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
  マルチタスク学習を用いた2相表現学習手法を提案する。 我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。 モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
  論文  参考訳（メタデータ） (2023-12-28T17:24:13Z)
• Multi-Domain Learning From Insufficient Annotations [26.83058974786833]
  マルチドメイン学習とは、異なるドメインから収集されたデータセット上にモデルまたはモデルのセットを同時に構築することを指す。 本稿では,アノテーション不足の影響を軽減するために,マルチドメインコントラスト学習という新しい手法を提案する。 5つのデータセットにわたる実験結果から、MDCLは様々なSPモデルに対して顕著な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-04T11:50:19Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Attention Diversification for Domain Generalization [92.02038576148774]
  畳み込みニューラルネットワーク(CNN)は、識別的特徴を学習する際の満足度を実証している。 目に見えないドメインに適用する場合、最先端のモデルは通常、ドメインシフトによってエラーを起こしやすい。 そこで本研究では,モデル内およびモデル間アテンションの多角化を協調的に行う,新しいアテンションの多様化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-09T09:15:21Z)
• Unsupervised Domain Generalization by Learning a Bridge Across Domains [78.855606355957]
  Unsupervised Domain Generalization (UDG) のセットアップでは、ソースもターゲットドメインもトレーニングの監督は行わない。 本手法は,各トレーニング領域からBrADへの視覚的(イメージ間)マッピングを保存したセマンティクスのセットを伴って,補助的なブリッジドメインであるBrAD(Bridge Across Domains)の自己教師型学習に基づいている。 我々は,エッジレギュラー化したBrADを用いて,UDG,Few-shot UDA,マルチドメインデータセット間の教師なし一般化など,複数のベンチマークやタスクにまたがる大幅な向上を実現する方法を示す。
  論文  参考訳（メタデータ） (2021-12-04T10:25:45Z)
• Multimodal Clustering Networks for Self-supervised Learning from Unlabeled Videos [69.61522804742427]
  本稿では,共通のマルチモーダル埋め込み空間を学習する自己監督型トレーニングフレームワークを提案する。 インスタンスレベルのコントラスト学習の概念をマルチモーダルクラスタリングステップで拡張し,モダリティ間の意味的類似性を捉える。 結果として得られる埋め込みスペースは、見えないデータセットや異なるドメインからでも、すべてのモダリティにわたるサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2021-04-26T15:55:01Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Multi-Task Learning via Co-Attentive Sharing for Pedestrian Attribute Recognition [8.883961218702824]
  Co-Attentive Sharing (CAS)モジュールは、マルチタスク学習においてより効果的な特徴共有のために、識別チャネルと空間領域を抽出する。 我々のモジュールは従来の共有ユニットよりも優れており、多くのメトリクスを用いた最先端の手法と比較して優れた結果が得られる。
  論文  参考訳（メタデータ） (2020-04-07T07:24:22Z)
• Latent Normalizing Flows for Many-to-Many Cross-Domain Mappings [76.85673049332428]
  画像とテキストの合同表現の学習は、画像キャプションのようないくつかの重要なドメイン横断タスクのバックボーンを形成する。 ドメイン間の共有情報とドメイン固有の情報を個別にモデル化する,新しい半教師付きフレームワークを提案する。 画像キャプションやテキスト・ツー・イメージ合成など,様々なタスクにおけるモデルの有効性を示す。
  論文  参考訳（メタデータ） (2020-02-16T19:49:30Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。