論文の概要: Deep Learning for Cross-Domain Few-Shot Visual Recognition: A Survey

• arxiv url: http://arxiv.org/abs/2303.08557v1
• Date: Wed, 15 Mar 2023 12:18:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-16 14:01:08.815979
• Title: Deep Learning for Cross-Domain Few-Shot Visual Recognition: A Survey
• Title（参考訳）: クロスショット画像認識のための深層学習 : サーベイ
• Authors: Huali Xu, Shuaifeng Zhi, Shuzhou Sun, Vishal M. Patel, Li Liu
• Abstract要約: クロスドメイン・ショットラーニング(CDFSL)は、異なるドメインやラベル空間からのソースとターゲットデータを可能にすることで注目を集めている。 本報告では,CDFSLのセットアップと難易度から,FSLよりもはるかに少ない注意を払われたCDFSLの総合的なレビューを行う。
• 参考スコア（独自算出の注目度）: 56.58687826135517
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been highly successful in computer vision with large amounts of labeled data, but struggles with limited labeled training data. To address this, Few-shot learning (FSL) is proposed, but it assumes that all samples (including source and target task data, where target tasks are performed with prior knowledge from source ones) are from the same domain, which is a stringent assumption in the real world. To alleviate this limitation, Cross-domain few-shot learning (CDFSL) has gained attention as it allows source and target data from different domains and label spaces. This paper provides a comprehensive review of CDFSL at the first time, which has received far less attention than FSL due to its unique setup and difficulties. We expect this paper to serve as both a position paper and a tutorial for those doing research in CDFSL. This review first introduces the definition of CDFSL and the issues involved, followed by the core scientific question and challenge. A comprehensive review of validated CDFSL approaches from the existing literature is then presented, along with their detailed descriptions based on a rigorous taxonomy. Furthermore, this paper outlines and discusses several promising directions of CDFSL that deserve further scientific investigation, covering aspects of problem setups, applications and theories.
• Abstract（参考訳）: ディープラーニングは大量のラベル付きデータを持つコンピュータビジョンにおいて非常に成功したが、ラベル付きトレーニングデータに苦戦している。 これを解決するために、FSL(Few-shot Learning)が提案されているが、全てのサンプル(ソースとターゲットタスクデータを含む、ターゲットタスクがソースからの事前の知識で実行される)は、実世界の厳密な仮定である同じドメインから来ていると仮定する。 この制限を緩和するため、異なるドメインやラベル空間からのソースとターゲットデータを可能にするため、クロスドメイン・ショットラーニング(CDFSL)が注目されている。 本報告では,CDFSLのセットアップと難易度から,FSLよりもはるかに少ない注目を受けてきたCDFSLの総合的なレビューを行う。 本論文はCDFSLの研究を行う人々のためのポジションペーパーとチュートリアルとして機能することを期待している。 このレビューはまずCDFSLの定義と関連する問題を紹介し、続いて科学的な問題と課題について述べる。 その後、既存の文献から検証されたCDFSLアプローチの包括的なレビューと、厳密な分類に基づく詳細な記述が提示される。 さらに,cdfslの今後の展望について概説し,問題点の設定,応用,理論を概説する。

関連論文リスト

• ME-D2N: Multi-Expert Domain Decompositional Network for Cross-Domain Few-Shot Learning [95.78635058475439]
  クロスドメインのFew-Shot Learningは、異なるドメインにわたるFew-Shot Learning問題に対処することを目的としている。 本稿では,ME-D2N(Multi-Expert Domain Decompositional Network)を技術的に貢献する。 本稿では,学生モデルを2つの領域関連部分に分解する新しい領域分解モジュールを提案する。
  論文  参考訳（メタデータ） (2022-10-11T09:24:47Z)
• A Comprehensive Survey of Few-shot Learning: Evolution, Applications, Challenges, and Opportunities [5.809416101410813]
  効果的な学習方法としてショットラーニングが登場し、大きな可能性を秘めている。 我々は過去3年間に発行されたFSLに関する200以上の最新の論文を広範囲に調査した。 本稿では,知識の抽象化レベルに応じて既存の作業を分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T16:24:35Z)
• The Role of Global Labels in Few-Shot Classification and How to Infer Them [55.64429518100676]
  メタ学習では、ほとんどショット学習が中心的な問題であり、学習者は新しいタスクに迅速に適応しなければならない。 本稿では,メタラベル学習(MeLa)を提案する。メタラベル学習(MeLa)は,グローバルラベルを推論し,標準分類によるロバストな少数ショットモデルを得る新しいアルゴリズムである。
  論文  参考訳（メタデータ） (2021-08-09T14:07:46Z)
• Interventional Few-Shot Learning [88.31112565383457]
  本稿では,新しいFew-Shot Learningパラダイム,Interventional Few-Shot Learningを提案する。 コードはhttps://github.com/yue-zhongqi/ifsl.comで公開されている。
  論文  参考訳（メタデータ） (2020-09-28T01:16:54Z)
• Learning from Very Few Samples: A Survey [80.06120185496403]
  機械学習の分野では、サンプル学習が重要で難しいものはほとんどない。 通常、一般化能力を保証するために数百から数千の教師付きサンプルを含むサンプル学習アルゴリズムはほとんどない。
  論文  参考訳（メタデータ） (2020-09-06T06:13:09Z)
• Revisiting Mid-Level Patterns for Cross-Domain Few-Shot Recognition [31.81367604846625]
  汎用ドメインベースクラスから特殊ドメインノベルクラスに知識を移すために,クロスドメイン少ショット学習を提案する。 本稿では,新しいクラスがベースクラスから離れた領域にあるCDFSLの挑戦的なサブセットについて検討する。 本研究では,各サンプルの識別情報を学習するために,中程度の特徴を育成するための残差予測タスクを提案する。
  論文  参考訳（メタデータ） (2020-08-07T12:45:39Z)
• TAFSSL: Task-Adaptive Feature Sub-Space Learning for few-shot classification [50.358839666165764]
  本稿では,タスク適応機能サブスペース学習(TAFSSL)により,Few-Shot Learningシナリオの性能を大幅に向上させることができることを示す。 具体的には、挑戦的な miniImageNet と tieredImageNet ベンチマークにおいて、TAFSSL はトランスダクティブおよび半教師付き FSL 設定の両方で現在の状態を改善することができることを示しています。
  論文  参考訳（メタデータ） (2020-03-14T16:59:17Z)

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。