論文の概要: Semi-Supervised and Unsupervised Deep Visual Learning: A Survey
- arxiv url: http://arxiv.org/abs/2208.11296v1
- Date: Wed, 24 Aug 2022 04:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-25 12:06:22.232911
- Title: Semi-Supervised and Unsupervised Deep Visual Learning: A Survey
- Title（参考訳）: 半監督的かつ教師なしの深層学習:サーベイ
- Authors: Yanbei Chen, Massimiliano Mancini, Xiatian Zhu, and Zeynep Akata
- Abstract要約: 半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
本稿では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点による視覚的認識について概説する。
- 参考スコア（独自算出の注目度）: 76.2650734930974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: State-of-the-art deep learning models are often trained with a large amount
of costly labeled training data. However, requiring exhaustive manual
annotations may degrade the model's generalizability in the limited-label
regime. Semi-supervised learning and unsupervised learning offer promising
paradigms to learn from an abundance of unlabeled visual data. Recent progress
in these paradigms has indicated the strong benefits of leveraging unlabeled
data to improve model generalization and provide better model initialization.
In this survey, we review the recent advanced deep learning algorithms on
semi-supervised learning (SSL) and unsupervised learning (UL) for visual
recognition from a unified perspective. To offer a holistic understanding of
the state-of-the-art in these areas, we propose a unified taxonomy. We
categorize existing representative SSL and UL with comprehensive and insightful
analysis to highlight their design rationales in different learning scenarios
and applications in different computer vision tasks. Lastly, we discuss the
emerging trends and open challenges in SSL and UL to shed light on future
critical research directions.
- Abstract（参考訳）: 最先端のディープラーニングモデルは、大量のラベル付きトレーニングデータでトレーニングされることが多い。
しかし、徹底した手動アノテーションを必要とする場合、限定ラベル方式ではモデルの一般化性が低下することがある。
半教師なし学習と教師なし学習は、ラベルなしの視覚データから学ぶための有望なパラダイムを提供する。
これらのパラダイムの最近の進歩は、モデル一般化を改善し、モデル初期化を改善するためにラベルのないデータを活用する強力な利点を示している。
本調査では, 半教師付き学習(SSL)と非教師付き学習(UL)の先進的な深層学習アルゴリズムについて, 統一的な視点から視覚的認識を行う。
これらの分野における最先端の総合的な理解を提供するため,我々は統一分類法を提案する。
既存の代表的SSLとULを包括的かつ洞察に富んだ分析で分類し、異なる学習シナリオと異なるコンピュータビジョンタスクにおけるアプリケーションにおける設計の合理性を明らかにする。
最後に、SSLとULの新たなトレンドとオープンな課題について議論し、今後の重要な研究の方向性を明らかにします。
関連論文リスト
- A Survey of the Self Supervised Learning Mechanisms for Vision Transformers [5.152455218955949]
視覚タスクにおける自己教師あり学習(SSL)の適用は注目されている。
SSL手法を体系的に分類する包括的分類法を開発した。
SSLの背後にあるモチベーションについて議論し、人気のある事前トレーニングタスクをレビューし、この分野の課題と進歩を強調します。
論文 参考訳（メタデータ） (2024-08-30T07:38:28Z) - Self-Supervised Skeleton-Based Action Representation Learning: A Benchmark and Beyond [19.074841631219233]
自己教師付き学習(SSL)は骨格に基づく行動理解に有効であることが証明されている。
本稿では,自己教師型骨格に基づく行動表現学習に関する包括的調査を行う。
論文 参考訳（メタデータ） (2024-06-05T06:21:54Z) - Heterogeneous Contrastive Learning for Foundation Models and Beyond [73.74745053250619]
ビッグデータと人工知能の時代において、新しいパラダイムは、大規模な異種データをモデル化するために、対照的な自己教師付き学習を活用することである。
本調査は基礎モデルの異種コントラスト学習の現況を批判的に評価する。
論文 参考訳（メタデータ） (2024-03-30T02:55:49Z) - One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。
本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。
2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
論文 参考訳（メタデータ） (2023-11-29T16:23:06Z) - Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls
and Opportunities [50.231837687221685]
自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。
非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
論文 参考訳（メタデータ） (2023-08-28T07:55:01Z) - Unsupervised Representation Learning for Time Series: A Review [20.00853543048447]
教師なし表現学習アプローチは、すべてのサンプルに注釈をつけることなく、ラベルのないデータから識別的特徴表現を学習することを目的としている。
本稿では,現在急速に進化している時系列の非教師なし表現学習手法の文献レビューを行う。
我々は9つの異なる実世界のデータセットに基づいて、最先端のアプローチ、特に急速に進化するコントラスト学習手法を実証的に評価した。
論文 参考訳（メタデータ） (2023-08-03T07:28:06Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳（メタデータ） (2022-04-26T02:22:28Z) - A Survey on Programmatic Weak Supervision [74.13976343129966]
本稿では、PWS学習パラダイムの簡単な紹介と、各PWS学習ワークフローに対する代表的アプローチのレビューを行う。
この分野の今後の方向性に刺激を与えるために、この分野でまだ探索されていないいくつかの重要な課題を特定します。
論文 参考訳（メタデータ） (2022-02-11T04:05:38Z) - Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。
既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。
また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
論文 参考訳（メタデータ） (2021-05-16T03:30:03Z) - Insights from the Future for Continual Learning [45.58831178202245]
我々は,授業データに先立って,授業に関する既存の情報を組み込むための,新しい実験環境である先進的連続学習を提案する。
私たちの設定には、トレーニングサンプルがまったくない将来のクラスが追加されます。
損失を慎重に調整した表現空間の生成モデルにより、将来のクラスからの洞察を利用して過去のクラスと現在のクラスの空間配置を制約することができる。
論文 参考訳（メタデータ） (2020-06-24T14:05:45Z)
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。