論文の概要: MetaComp: Learning to Adapt for Online Depth Completion

• arxiv url: http://arxiv.org/abs/2207.10623v1
• Date: Thu, 21 Jul 2022 17:30:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 13:18:56.214449
• Title: MetaComp: Learning to Adapt for Online Depth Completion
• Title（参考訳）: MetaComp: オンライン奥行き補完に適応するための学習
• Authors: Yang Chen, Shanshan Zhao, Wei Ji, Mingming Gong, Liping Xie
• Abstract要約: 本稿では,学習段階の適応ポリシーをシミュレートし,自己教師型テストで新しい環境に適応するメタコンプションを提案する。 入力がマルチモーダルデータであることを考えると、モデルを2つのモーダルのバリエーションに同時に適応させることは困難である。 実験結果と包括的改善により,MetaComp は新たな環境における深度補正に効果的に適応でき,異なるモーダル変化に頑健であることが示唆された。
• 参考スコア（独自算出の注目度）: 47.2074274233496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relying on deep supervised or self-supervised learning, previous methods for depth completion from paired single image and sparse depth data have achieved impressive performance in recent years. However, facing a new environment where the test data occurs online and differs from the training data in the RGB image content and depth sparsity, the trained model might suffer severe performance drop. To encourage the trained model to work well in such conditions, we expect it to be capable of adapting to the new environment continuously and effectively. To achieve this, we propose MetaComp. It utilizes the meta-learning technique to simulate adaptation policies during the training phase, and then adapts the model to new environments in a self-supervised manner in testing. Considering that the input is multi-modal data, it would be challenging to adapt a model to variations in two modalities simultaneously, due to significant differences in structure and form of the two modal data. Therefore, we further propose to disentangle the adaptation procedure in the basic meta-learning training into two steps, the first one focusing on the depth sparsity while the second attending to the image content. During testing, we take the same strategy to adapt the model online to new multi-modal data. Experimental results and comprehensive ablations show that our MetaComp is capable of adapting to the depth completion in a new environment effectively and robust to changes in different modalities.
• Abstract（参考訳）: 近年, 深層学習や自己教師型学習を基礎として, ペア画像とスパース深度データからの深度補完手法が注目されている。 しかし、オンライン上でテストデータが発生し、RGB画像の内容と深度空間のトレーニングデータとは異なる新しい環境に直面すると、トレーニングされたモデルは厳しい性能低下を被る可能性がある。 このような環境では、トレーニングされたモデルがうまく機能するように促すため、新しい環境に継続的に効果的に適応できることを期待します。 そこで我々はMetaCompを提案する。 メタラーニング技術を用いて、トレーニングフェーズ中の適応ポリシーをシミュレートし、テストにおいて自己管理的な方法で新しい環境にモデルを適応させる。 入力がマルチモーダルデータであることを考えると、2つのモーダルデータの構造と形式が大きく異なるため、2つのモーダルデータのバリエーションに同時にモデルを適用することは困難である。 そこで本研究では,基礎的メタラーニングトレーニングにおける適応手順を,深度空間に焦点をあてた第1ステップと,画像コンテンツに参画する第2ステップの2ステップに分割することを提案する。 テストでは、オンラインのモデルを新しいマルチモーダルデータに適用する同じ戦略を採用しています。 実験結果と包括的アブレーションにより,我々のメタコンプットは,異なるモードの変化に効果的かつ頑健な新しい環境において,深さ完了に適応できることを示した。

関連論文リスト

• Architecture, Dataset and Model-Scale Agnostic Data-free Meta-Learning [119.70303730341938]
  データフリーメタトレーニングにおけるePisode cUrriculum inversion(ECI)と、内部ループ後のinvErsion calibRation(ICFIL)を提案する。 ECIは、メタモデルのリアルタイムフィードバックに応じて、擬似エピソードの難易度を適応的に増加させる。 本稿では,ECIを用いたメタトレーニングの最適化過程を,エンド・ツー・エンド方式で近似形式として定式化する。
  論文  参考訳（メタデータ） (2023-03-20T15:10:41Z)
• Learn to Adapt for Monocular Depth Estimation [17.887575611570394]
  逆深度推定タスクを提案し,メタラーニングのパイプラインでモデルを訓練する。 提案手法は,テスト手順中の数ステップのトレーニングの後,新しいデータセットに順応する。
  論文  参考訳（メタデータ） (2022-03-26T06:49:22Z)
• Friendly Training: Neural Networks Can Adapt Data To Make Learning Easier [23.886422706697882]
  フレンドリートレーニング(Friendly Training)と呼ばれる新しいトレーニング手順を提案する。 フレンドリートレーニングは、情報サブ選択とランダム選択に関して改善をもたらすことを示す。 その結果,入力データへの適応は学習を安定させ,ネットワークのスキル一般化を改善するための有効な方法であることが示唆された。
  論文  参考訳（メタデータ） (2021-06-21T10:50:34Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• MT3: Meta Test-Time Training for Self-Supervised Test-Time Adaption [69.76837484008033]
  ディープラーニングの未解決の問題は、ニューラルネットワークがテスト時間中のドメインシフトに対処する能力である。 メタラーニング、自己監督、テストタイムトレーニングを組み合わせて、目に見えないテスト分布に適応する方法を学びます。 この手法はcifar-10による画像分類ベンチマークの最先端結果を大幅に改善する。
  論文  参考訳（メタデータ） (2021-03-30T09:33:38Z)
• Learning Adaptable Policy via Meta-Adversarial Inverse Reinforcement Learning for Decision-making Tasks [2.1485350418225244]
  Meta- LearningとAdversarial Inverseforcement Learningを統合した適応型模倣学習モデルを構築します。 敵対的学習と逆強化学習メカニズムを利用して、利用可能なトレーニングタスクからポリシーと報酬機能を同時に学習します。
  論文  参考訳（メタデータ） (2021-03-23T17:16:38Z)
• Few Is Enough: Task-Augmented Active Meta-Learning for Brain Cell Classification [8.998976678920236]
  本稿では,Deep Neural Networks を新しいタスクに効率的に適応する tAsk-auGmented actIve meta-LEarning (AGILE) 手法を提案する。 AGILEはメタ学習アルゴリズムと,初期適応モデルを生成するための新しいタスク拡張手法を組み合わせる。 提案するタスク強化メタラーニングフレームワークは,1段階の段階を経て,新たな細胞タイプを分類することができることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:03:12Z)
• Hybrid Generative-Retrieval Transformers for Dialogue Domain Adaptation [77.62366712130196]
  マルチドメイン MetaLWOz データセットに微調整した GPT-2 に基づくハイブリッド生成・検索モデル DSTC8 の高速領域適応タスクにおける入賞条件について述べる。 提案モデルでは,MetaLWOz上の解析論理をフォールバックとして使用し,人間の評価におけるSoTA(第2位システムよりも4%向上)と,未知のMultiWOZデータセットに適応した競合一般化性能を実現する。
  論文  参考訳（メタデータ） (2020-03-03T18:07:42Z)
• Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
  メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。 我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
  論文  参考訳（メタデータ） (2020-02-11T01:39:12Z)

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。