Fugu-MT 論文翻訳(概要): Semi-Supervised Disparity Estimation with Deep Feature Reconstruction

論文の概要: Semi-Supervised Disparity Estimation with Deep Feature Reconstruction

arxiv url: http://arxiv.org/abs/2106.00318v1
Date: Tue, 1 Jun 2021 08:48:38 GMT
ステータス: 処理完了
システム内更新日: 2021-06-02 14:19:06.926204
Title: Semi-Supervised Disparity Estimation with Deep Feature Reconstruction
Title（参考訳）: 深部特徴再構成を用いた半教師付き距離推定
Authors: Julia Guerrero-Viu, Sergio Izquierdo, Philipp Schr\"oppel and Thomas Brox
Abstract要約: 本研究では,ラベル付き合成データとラベル付き実データを用いた自己教師付きトレーニングを併用することにより,DispNetを実世界のドメインに適応させる半教師付きパイプラインを提案する。
参考スコア（独自算出の注目度）: 38.45358657368557
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the success of deep learning in disparity estimation, the domain generalization gap remains an issue. We propose a semi-supervised pipeline that successfully adapts DispNet to a real-world domain by joint supervised training on labeled synthetic data and self-supervised training on unlabeled real data. Furthermore, accounting for the limitations of the widely-used photometric loss, we analyze the impact of deep feature reconstruction as a promising supervisory signal for disparity estimation.
Abstract（参考訳）: 差分推定におけるディープラーニングの成功にもかかわらず、領域一般化のギャップは依然として問題である。本稿では,ラベル付き合成データの教師付きトレーニングとラベルなし実データに対する自己教師付きトレーニングを共同で行うことで,dispnetを実世界ドメインに適応させる半教師付きパイプラインを提案する。さらに, 広範に使用されている測光損失の限界を考慮し, 深部特徴再構成の影響を, 差分推定のための有望な監視信号として分析する。

関連論文リスト

Does Unsupervised Domain Adaptation Improve the Robustness of Amortized Bayesian Inference? A Systematic Evaluation [3.4109073456116477]
近年のロバストなアプローチでは、シミュレーションおよび観測データの埋め込み空間と一致するように、教師なし領域適応(UDA)が採用されている。本研究では,領域間の要約空間の整合が,非モデル化現象や雑音の影響を効果的に緩和することを示した。以上の結果から,UDA技術を用いてABIのロバスト性を高める際に,不特定型を慎重に検討することの必要性が示唆された。
論文参考訳（メタデータ） (2025-02-07T14:13:51Z)
Neural Network Approximation for Pessimistic Offline Reinforcement Learning [17.756108291816908]
一般ニューラルネットワーク近似を用いた悲観的オフラインRLの非漸近的推定誤差を提案する。その結果, 推定誤差は2つの部分から構成されることがわかった。第1は, 部分的に制御可能な集束率でサンプルサイズに所望の速度で0に収束し, 第2は残留制約が厳密であれば無視可能である。
論文参考訳（メタデータ） (2023-12-19T05:17:27Z)
Uncertainty-Aware Deep Co-training for Semi-supervised Medical Image Segmentation [4.935055133266873]
本研究では,モデルが意図的に領域を学習するための新しい不確実性認識方式を提案する。具体的には,不確実性マップを得るためにモンテカルロサンプリングを推定法として利用する。後ろ向きのプロセスでは、ネットワークの収束を加速するために、教師なしの損失と教師なしの損失を共同で処理する。
論文参考訳（メタデータ） (2021-11-23T03:26:24Z)
Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文参考訳（メタデータ） (2021-05-25T02:17:56Z)
On Finite-Sample Analysis of Offline Reinforcement Learning with Deep ReLU Networks [46.067702683141356]
深層RELUネットワークを用いたオフライン強化学習の統計理論について検討する。我々は,オフラインデータの分布変化,入力空間の次元,システムの正則性がOPE推定誤差を制御する方法の定量化を行う。
論文参考訳（メタデータ） (2021-03-11T14:01:14Z)
Learning a Domain-Agnostic Visual Representation for Autonomous Driving via Contrastive Loss [25.798361683744684]
ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
論文参考訳（メタデータ） (2021-03-10T07:06:03Z)
Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
論文参考訳（メタデータ） (2020-11-26T18:51:26Z)
On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。自己教師型アプローチに特化して設計された,斬新な手法を提案する。
論文参考訳（メタデータ） (2020-05-13T09:00:55Z)
GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。