Fugu-MT 論文翻訳(概要): Evaluation of Deep Neural Network Domain Adaptation Techniques for Image Recognition

論文の概要: Evaluation of Deep Neural Network Domain Adaptation Techniques for Image Recognition

arxiv url: http://arxiv.org/abs/2109.13420v1
Date: Tue, 28 Sep 2021 01:22:12 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 02:31:34.426496
Title: Evaluation of Deep Neural Network Domain Adaptation Techniques for Image Recognition
Title（参考訳）: 画像認識のためのディープニューラルネットワーク領域適応手法の評価
Authors: Alan Preciado-Grijalva, Venkata Santosh Sai Ramireddy Muthireddy
Abstract要約: 画像分類タスクのための4つの異なる領域適応手法を評価する。これらのテクニックは、トレーニング中にターゲットデータセットのドープがラベルを一切持たないため、教師なしである。 Office-31データセットのモデル性能を評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: It has been well proved that deep networks are efficient at extracting features from a given (source) labeled dataset. However, it is not always the case that they can generalize well to other (target) datasets which very often have a different underlying distribution. In this report, we evaluate four different domain adaptation techniques for image classification tasks: DeepCORAL, DeepDomainConfusion, CDAN and CDAN+E. These techniques are unsupervised given that the target dataset dopes not carry any labels during training phase. We evaluate model performance on the office-31 dataset. A link to the github repository of this report can be found here: https://github.com/agrija9/Deep-Unsupervised-Domain-Adaptation.
Abstract（参考訳）: ディープネットワークは、与えられた(ソース)ラベル付きデータセットから特徴を抽出するのに効率的であることがよく証明されている。しかし、しばしば異なる基盤分布を持つ他の(ターゲット)データセットにうまく一般化できるとは限らない。本稿では,DeepCoRAL,DeepDomainConfusion,CDAN,CDAN+Eの4つの領域適応手法について検討する。これらのテクニックは、トレーニングフェーズ中にターゲットデータセットがラベルを持っていないため、教師なしである。 Office-31データセットのモデル性能を評価する。このレポートのgithubリポジトリへのリンクは、https://github.com/agrija9/deep-unsupervised-domain-adaptationにある。

関連論文リスト

Knowledge Combination to Learn Rotated Detection Without Rotated Annotation [53.439096583978504]
回転バウンディングボックスは、伸長したオブジェクトの出力あいまいさを劇的に減少させる。この効果にもかかわらず、回転検出器は広く使われていない。本稿では,モデルが正確な回転ボックスを予測できるフレームワークを提案する。
論文参考訳（メタデータ） (2023-04-05T03:07:36Z)
Do More With What You Have: Transferring Depth-Scale from Labeled to Unlabeled Domains [43.16293941978469]
自己教師付き深度推定器は、ドメイン全体の絶対深度値と線形に相関する大規模予測をもたらす。トレーニング前の2つのデータセットのフィールド・オブ・ビューの整合性は、両方のドメインに共通な線形関係をもたらすことを示す。観測された特性を用いて、絶対深度ラベルを持つソースデータセットから、これらの測定を欠いた新しいターゲットデータセットへ、深度スケールを転送する。
論文参考訳（メタデータ） (2023-03-14T07:07:34Z)
MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-15T14:11:53Z)
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)
Simple multi-dataset detection [83.9604523643406]
複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。私たちのアプローチは手動の分類学の調整を必要としません。
論文参考訳（メタデータ） (2021-02-25T18:55:58Z)
Generation for adaption: a Gan-based approach for 3D Domain Adaption inPoint Cloud [10.614067060304919]
Unsupervised Domain Adapt (UDA)は、ターゲットドメインラベルなしでそのような問題を解決することを目指しています。本稿では,生成逆ネットワークを用いてソースドメインから合成データを生成する手法を提案する。実験により,本手法は3つの一般的な3次元オブジェクト/シーンデータセットにおいて,最先端のUDA手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2021-02-15T07:24:10Z)
Seismic Facies Analysis: A Deep Domain Adaptation Approach [6.494634150546026]
ディープニューラルネットワーク(DNN)は、大量のラベル付き入力データから正確に学習することができるが、ラベル付きデータが不足している場合には、その処理に失敗することが多い。本研究では,オランダ沖のF3ブロック3Dデータセット(ソースドメイン,SD)とカナダからのペノブスコット3Dサーベイデータ(ターゲットドメイン,TD)の地震画像について実験を行った。 EarthAdaptNet(EAN)と呼ばれるディープニューラルネットワークアーキテクチャは、少数のクラスがデータ不足を抱えている場合に、地震像を意味的にセグメンテーションするために提案されている。
論文参考訳（メタデータ） (2020-11-20T17:09:06Z)
Self-training for Few-shot Transfer Across Extreme Task Differences [46.07212902030414]
ほとんどの数発の学習技術は、大きなラベル付き"ベースデータセット"で事前訓練されている。このような大きなラベル付きデータセットが事前トレーニングに利用できない問題領域では、異なる"ソース"問題領域での事前トレーニングに頼らなければならない。従来の少数ショットと移行学習のテクニックは、ソースとターゲットタスクの極端な違いの存在下で失敗する。
論文参考訳（メタデータ） (2020-10-15T13:23:59Z)
Deep Domain-Adversarial Image Generation for Domain Generalisation [115.21519842245752]
マシンラーニングモデルは通常、ソースデータセットでトレーニングされたり、異なるディストリビューションのターゲットデータセットで評価されたりする際に、ドメインシフトの問題に悩まされる。この問題を解決するために、ドメイン一般化(DG)手法は、訓練されたモデルが未知のドメインに一般化できるように、複数のソースドメインからのデータを活用することを目的としている。我々はemphDeep Domain-Adversarial Image Generation (DDAIG)に基づく新しいDG手法を提案する。
論文参考訳（メタデータ） (2020-03-12T23:17:47Z)
Single Image Depth Estimation Trained via Depth from Defocus Cues [105.67073923825842]
単一のRGB画像から深度を推定することはコンピュータビジョンの基本的な課題である。この作業では、異なる視点ではなく、フォーカスキューからの奥行きに依存しています。我々は,KITTIとMake3Dデータセットの教師あり手法と同等な結果を提示し,教師なし学習手法より優れていることを示す。
論文参考訳（メタデータ） (2020-01-14T20:22:54Z)

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。