論文の概要: Domain Adaptation and Active Learning for Fine-Grained Recognition in
the Field of Biodiversity
- arxiv url: http://arxiv.org/abs/2110.11778v1
- Date: Fri, 22 Oct 2021 13:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 15:39:28.103211
- Title: Domain Adaptation and Active Learning for Fine-Grained Recognition in
the Field of Biodiversity
- Title（参考訳）: 生物多様性分野における細粒度認識のためのドメイン適応とアクティブラーニング
- Authors: Bernd Gruner, Matthias K\"orschens, Bj\"orn Barz and Joachim Denzler
- Abstract要約: 教師なしドメイン適応は、生物多様性の文脈におけるきめ細かい認識に使用できる。
ドメイン適応と転送可能正規化を用いることで、分類器の精度を最大12.35%向上させることができる。
驚いたことに、2つのデータセットのうち1つだけがランダム選択ベースラインよりも洗練された戦略がより良い結果をもたらすことがわかった。
- 参考スコア（独自算出の注目度）: 7.24935792316121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning methods offer unsurpassed recognition performance in a wide
range of domains, including fine-grained recognition tasks. However, in most
problem areas there are insufficient annotated training samples. Therefore, the
topic of transfer learning respectively domain adaptation is particularly
important. In this work, we investigate to what extent unsupervised domain
adaptation can be used for fine-grained recognition in a biodiversity context
to learn a real-world classifier based on idealized training data, e.g.
preserved butterflies and plants. Moreover, we investigate the influence of
different normalization layers, such as Group Normalization in combination with
Weight Standardization, on the classifier. We discovered that domain adaptation
works very well for fine-grained recognition and that the normalization methods
have a great influence on the results. Using domain adaptation and Transferable
Normalization, the accuracy of the classifier could be increased by up to 12.35
% compared to the baseline. Furthermore, the domain adaptation system is
combined with an active learning component to improve the results. We compare
different active learning strategies with each other. Surprisingly, we found
that more sophisticated strategies provide better results than the random
selection baseline for only one of the two datasets. In this case, the distance
and diversity strategy performed best. Finally, we present a problem analysis
of the datasets.
- Abstract（参考訳）: ディープラーニング手法は、きめ細かな認識タスクを含む、幅広いドメインで未適用の認識性能を提供する。
しかし、ほとんどの問題領域では、注釈付きトレーニングサンプルが不十分である。
したがって,転帰学習におけるドメイン適応のトピックは特に重要である。
本研究では, 生物多様性の文脈において, 教師なしドメイン適応が, 保存された蝶や植物など, 理想的な訓練データに基づいて, 現実世界の分類器を学習するために, 微粒な認識にどの程度使えるかを検討する。
さらに,重みの標準化と組み合わせた群正規化などの異なる正規化層が分類器に与える影響について検討した。
ドメイン適応はきめ細かな認識に非常に適しており、正規化法は結果に大きな影響を与えていることがわかった。
ドメイン適応と転送可能な正規化を用いることで、分類器の精度をベースラインと比較して最大12.35パーセント向上させることができる。
さらに、ドメイン適応システムとアクティブラーニングコンポーネントを組み合わせることで、結果を改善する。
さまざまなアクティブな学習戦略を比較します。
驚いたことに、2つのデータセットのうち1つだけがランダム選択ベースラインよりも洗練された戦略がより良い結果をもたらすことがわかった。
この場合、距離と多様性の戦略が最善であった。
最後に,データセットの問題点分析について述べる。
関連論文リスト
- Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。
本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。
本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-13T16:40:48Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2023-07-25T13:35:45Z) - Domain Adaptation Principal Component Analysis: base linear method for
learning with out-of-distribution data [55.41644538483948]
ドメイン適応は現代の機械学習において一般的なパラダイムである。
ドメイン適応主成分分析(DAPCA)という手法を提案する。
DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
論文 参考訳（メタデータ） (2022-08-28T21:10:56Z) - Algorithms and Theory for Supervised Gradual Domain Adaptation [19.42476993856205]
本研究では, 学習者に対して, 学習経路に沿った変化分布からラベル付きデータを利用できるようにするための, 教師付き段階的領域適応の課題について検討する。
この設定の下では、軽度な仮定の下で学習誤差に関する最初の一般化上限を提供する。
本研究の結果は, 損失関数の範囲に依存しないアルゴリズムであり, 軌道上の平均学習誤差にのみ依存する。
論文 参考訳（メタデータ） (2022-04-25T13:26:11Z) - From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。
近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。
本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文 参考訳（メタデータ） (2022-03-14T07:02:45Z) - Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - Domain Generalization in Biosignal Classification [37.70077538403524]
本研究は,生体信号データの領域一般化を初めて研究したものである。
提案手法は4つの未確認領域に対して最大16%の精度向上を実現する。
論文 参考訳（メタデータ） (2020-11-12T05:15:46Z) - 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) - Fisher Deep Domain Adaptation [41.50519723389471]
ディープドメイン適応モデルは、ラベル付きソースドメインからの知識を活用することにより、ラベル付けされていないターゲットドメインでニューラルネットワークを学習する。
フィッシャー損失は、クラス内コンパクトでクラス間分離可能な識別表現を学習するために提案される。
論文 参考訳（メタデータ） (2020-03-12T06:17:48Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。