Fugu-MT 論文翻訳(概要): Semi-Supervised Learning with Mutual Distillation for Monocular Depth Estimation

論文の概要: Semi-Supervised Learning with Mutual Distillation for Monocular Depth Estimation

arxiv url: http://arxiv.org/abs/2203.09737v1
Date: Fri, 18 Mar 2022 04:28:58 GMT
ステータス: 処理完了
システム内更新日: 2022-03-22 00:41:25.432897
Title: Semi-Supervised Learning with Mutual Distillation for Monocular Depth Estimation
Title（参考訳）: 単眼深度推定のための相互蒸留による半教師付き学習
Authors: Jongbeom Baek, Gyeongnyeon Kim, and Seungryong Kim
Abstract要約: それぞれの損失に対して異なる2つのネットワーク分岐を構築し, 相互蒸留損失関数を用いて相互蒸留を行う。我々は,最新の手法によるフレームワークの有効性を実証する実験を行い,広範囲にわたるアブレーション研究を行った。
参考スコア（独自算出の注目度）: 27.782150368174413
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a semi-supervised learning framework for monocular depth estimation. Compared to existing semi-supervised learning methods, which inherit limitations of both sparse supervised and unsupervised loss functions, we achieve the complementary advantages of both loss functions, by building two separate network branches for each loss and distilling each other through the mutual distillation loss function. We also present to apply different data augmentation to each branch, which improves the robustness. We conduct experiments to demonstrate the effectiveness of our framework over the latest methods and provide extensive ablation studies.
Abstract（参考訳）: 単眼深度推定のための半教師付き学習フレームワークを提案する。従来の半教師付き学習法と比較して,各損失に対して2つのネットワーク分岐を構築し,相互蒸留損失関数を介して互いに蒸留することにより,損失関数の相補的優位性を実現する。また,各ブランチに異なるデータ拡張を適用することにより,ロバスト性が向上することを示す。我々は,最新の手法に対するフレームワークの有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。

関連論文リスト

Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2024-07-03T13:44:20Z)
Provable Contrastive Continual Learning [7.6989463205452555]
我々は,従来のタスクのトレーニング損失によって,モデルの性能がいかに境界づけられているかを明らかにする理論的な性能保証を確立する。これらの保証の理論的解析から着想を得て,CILAと呼ばれる新しいコントラスト型連続学習アルゴリズムを提案する。提案手法は,標準ベンチマークの精度を向上し,新しい最先端性能を実現する。
論文参考訳（メタデータ） (2024-05-29T04:48:11Z)
The Curse of Diversity in Ensemble-Based Exploration [7.209197316045156]
データ共有エージェントの多様なアンサンブルの訓練は、個々のアンサンブルメンバーのパフォーマンスを著しく損なう可能性がある。私たちはこの現象を多様性の呪いと呼んでいる。多様性の呪いに対処する表現学習の可能性を示す。
論文参考訳（メタデータ） (2024-05-07T14:14:50Z)
Robust Contrastive Learning With Theory Guarantee [25.57187964518637]
コントラスト学習(CL)は,ラベル情報なしで意味のある特徴を抽出できる自己指導型学習パラダイムである。我々の研究は厳密な理論を発展させ、教師なし損失のどの成分が教師なし損失の堅牢な改善に役立つかを識別する。
論文参考訳（メタデータ） (2023-11-16T08:39:58Z)
Tuned Contrastive Learning [77.67209954169593]
そこで本研究では,TCL(Tuned Contrastive Learning)損失という,新たなコントラスト損失関数を提案する。 TCLはバッチ内の複数の正と負に一般化し、ハードな正とハードな負の勾配応答を調整および改善するためのパラメータを提供する。我々は、TCLを自己教師付き設定に拡張する方法を示し、それを様々なSOTA自己教師型学習手法と経験的に比較する。
論文参考訳（メタデータ） (2023-05-18T03:26:37Z)
Contrastive Bayesian Analysis for Deep Metric Learning [30.21464199249958]
特徴的類似性によって条件付けられた画像ラベルの後方確率を特徴付け,モデル化するために,コントラッシブなベイズ解析を開発した。この対照的なベイズ解析は、深い計量学習のための新しい損失関数をもたらす。実験結果とアブレーション実験により,提案手法は深層学習の性能を著しく向上させることが示された。
論文参考訳（メタデータ） (2022-10-10T02:24:21Z)
Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文参考訳（メタデータ） (2022-06-24T22:25:31Z)
Deep Bregman Divergence for Contrastive Learning of Visual Representations [4.994260049719745]
Deep Bregmanの発散は、ユークリッド距離を超えるニューラルネットワークを用いて、データポイントの発散を測定する。我々は,機能的ブレグマンの発散に基づく追加ネットワークを訓練することにより,自己教師あり学習におけるコントラスト損失を高めることを目的としている。
論文参考訳（メタデータ） (2021-09-15T17:44:40Z)
Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文参考訳（メタデータ） (2021-09-07T10:00:45Z)
Co$^2$L: Contrastive Continual Learning [69.46643497220586]
近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-06-28T06:14:38Z)
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)

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。