論文の概要: Variational Attention: Propagating Domain-Specific Knowledge for Multi-Domain Learning in Crowd Counting

• arxiv url: http://arxiv.org/abs/2108.08023v1
• Date: Wed, 18 Aug 2021 08:06:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:39:50.525643
• Title: Variational Attention: Propagating Domain-Specific Knowledge for Multi-Domain Learning in Crowd Counting
• Title（参考訳）: 変分注意:集団カウントにおけるマルチドメイン学習のためのドメイン特化知識の育成
• Authors: Binghui Chen, Zhaoyi Yan, Ke Li, Pengyu Li, Biao Wang, Wangmeng Zuo, Lei Zhang
• Abstract要約: 群集カウントでは, 激しいラベル付けの問題により, 新しい大規模データセットを収集する難易度が知覚される。 マルチドメイン共同学習を活用し,DKPNet(Domain-specific Knowledge Propagating Network)を提案する。 主に、異なるドメインに対する注意分布を明示的にモデル化する、新しい変動注意法(VA)技術を提案する。
• 参考スコア（独自算出の注目度）: 75.80116276369694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In crowd counting, due to the problem of laborious labelling, it is perceived intractability of collecting a new large-scale dataset which has plentiful images with large diversity in density, scene, etc. Thus, for learning a general model, training with data from multiple different datasets might be a remedy and be of great value. In this paper, we resort to the multi-domain joint learning and propose a simple but effective Domain-specific Knowledge Propagating Network (DKPNet)1 for unbiasedly learning the knowledge from multiple diverse data domains at the same time. It is mainly achieved by proposing the novel Variational Attention(VA) technique for explicitly modeling the attention distributions for different domains. And as an extension to VA, Intrinsic Variational Attention(InVA) is proposed to handle the problems of over-lapped domains and sub-domains. Extensive experiments have been conducted to validate the superiority of our DKPNet over several popular datasets, including ShanghaiTech A/B, UCF-QNRF and NWPU.
• Abstract（参考訳）: 群衆数では、手間のかかるラベル付けの問題から、密度、シーン等が多様で多彩な画像を持つ新しい大規模データセットの収集が困難であると認識される。 したがって、一般的なモデルを学ぶには、複数の異なるデータセットからのデータを使ったトレーニングは、修正であり、大きな価値を持つ可能性がある。 本稿では,多分野共同学習を用いて,多種多様なデータ領域からの知識を偏りなく学習するための,単純かつ効果的なドメイン固有知識伝達ネットワーク(dkpnet)1を提案する。 主に、異なるドメインに対する注意分布を明示的にモデル化するための新しい変動注意法(VA)技術を提案する。 Intrinsic Variational Attention(InVA)はVAの拡張として,オーバーラップドメインやサブドメインの問題に対処するために提案されている。 上海技術A/B、UCF-QNRF、NWPUなど、いくつかの一般的なデータセットに対するDKPNetの優位性を検証するために、大規模な実験が行われた。

関連論文リスト

• Virtual Classification: Modulating Domain-Specific Knowledge for Multidomain Crowd Counting [67.38137379297717]
  マルチドメインのクラウドカウントは、複数の多様なデータセットの一般的なモデルを学ぶことを目的としている。 ディープネットワークは、ドメインバイアスとして知られるすべてのドメインではなく、支配的なドメインの分布をモデル化することを好む。 マルチドメイン群カウントにおけるドメインバイアス問題を処理するために,MDKNet(Modulating Domain-specific Knowledge Network)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T06:49:04Z)
• 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)
• Student Become Decathlon Master in Retinal Vessel Segmentation via Dual-teacher Multi-target Domain Adaptation [1.121358474059223]
  本稿では,マルチモーダルおよびマルチセンタ網膜画像から網膜血管(RV)をセグメント化するための,新しい教師なしマルチターゲットドメイン適応手法であるRVmsを提案する。 RVms は RV のセグメンテーションの観点からは,ターゲットとする Oracle に非常に近いことが分かっています。
  論文  参考訳（メタデータ） (2022-03-07T02:20:14Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• 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)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。