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

• arxiv url: http://arxiv.org/abs/2303.08557v2
• Date: Mon, 28 Oct 2024 05:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:14:11.745813
• 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: わずかながらの学習により、モデルは非常に少ないラベル付き例でターゲットタスクを実行することができる。 この制限を克服するため、クロスドメインな数ショット学習が注目されている。 本稿では,クロスドメインFew-shot Learning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）: 33.00835033658241
• License:
• Abstract: While deep learning excels in computer vision tasks with abundant labeled data, its performance diminishes significantly in scenarios with limited labeled samples. To address this, Few-shot learning (FSL) enables models to perform the target tasks with very few labeled examples by leveraging prior knowledge from related tasks. However, traditional FSL assumes that both the related and target tasks come from the same domain, which is a restrictive assumption in many real-world scenarios where domain differences are common. To overcome this limitation, Cross-domain few-shot learning (CDFSL) has gained attention, as it allows source and target data to come from different domains and label spaces. This paper presents the first comprehensive review of Cross-domain Few-shot Learning (CDFSL), a field that has received less attention compared to traditional FSL due to its unique challenges. We aim to provide both a position paper and a tutorial for researchers, covering key problems, existing methods, and future research directions. The review begins with a formal definition of CDFSL, outlining its core challenges, followed by a systematic analysis of current approaches, organized under a clear taxonomy. Finally, we discuss promising future directions in terms of problem setups, applications, and theoretical advancements.
• Abstract（参考訳）: 深層学習は、ラベル付きデータが豊富にあるコンピュータビジョンタスクにおいて優れているが、ラベル付きサンプルが限られているシナリオでは、その性能は著しく低下する。 これを解決するために、Few-shot Learning (FSL) では、モデルが関連するタスクから事前の知識を活用することで、ラベル付き例をほとんど持たずにターゲットタスクを実行することができる。 しかし、従来のFSLでは、関連するタスクと対象タスクの両方が同じドメインから来ていると仮定している。 この制限を克服するため、ソースとターゲットのデータを異なるドメインやラベル空間から得ることができるため、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。 本稿では,従来のFSLに比べて注目度が低い分野であるクロスドメインFew-shot Learning(CDFSL)の総合的なレビューを行う。 本研究の目的は,重要な問題,既存手法,今後の研究方向性について,位置紙とチュートリアルを研究者に提供することである。 レビューはCDFSLの正式な定義から始まり、その中核となる課題を概説し、続いて明確な分類の下で組織化された現在のアプローチの体系的な分析を行った。 最後に、問題設定、応用、理論的進歩の観点から将来的な方向性について論じる。

関連論文リスト

• Towards Cross-Domain Continual Learning [8.22291258264193]
  CDCL(Cross-Domain Continual Learning)と呼ばれる新しいアプローチを導入する。 提案手法は,コンパクトな畳み込みネットワーク内でのタスク間およびタスク内クロスアテンション機構を組み合わせたものである。 タスク内固有の擬似ラベル付け手法を利用して,ラベル付きサンプルとラベルなしサンプルの両方に対して正確な入力ペアを確保する。
  論文  参考訳（メタデータ） (2024-02-19T19:54:03Z)
• CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
  ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。 既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。 本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T19:44:27Z)
• 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)
• Few-Shot Object Detection in Unseen Domains [4.36080478413575]
  Few-shot Object Detection (FSOD)は、データ制限のある新しいオブジェクトクラスを学ぶために近年発展している。 そこで本稿では,ドメイン固有の情報をすべて考慮し,新しいクラスを数枚追加する手法を提案する。 T-LESSデータセットを用いた実験により,提案手法はドメインギャップを著しく緩和することに成功した。
  論文  参考訳（メタデータ） (2022-04-11T13:16:41Z)
• DATA: Domain-Aware and Task-Aware Pre-training [94.62676913928831]
  我々は、自己教師付き学習(SSL)に特化した、シンプルで効果的なNASアプローチであるDataを提示する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションなど,下流タスクにおける計算コストの広い範囲にわたる有望な結果を実現する。
  論文  参考訳（メタデータ） (2022-03-17T02:38:49Z)
• Understanding Cross-Domain Few-Shot Learning: An Experimental Study [17.81177649496765]
  ドメイン間数ショットの学習は、ソースとターゲットドメインの大きな違いを扱うために注目されている。 最近の研究は、事前訓練期間中に対象領域からの小規模な未ラベルデータを活用することを検討している。 このデータは、ソースドメインの教師付き事前トレーニングに加えて、ターゲットドメインでの自己教師付き事前トレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-02-01T12:35:25Z)
• Self-Taught Cross-Domain Few-Shot Learning with Weakly Supervised Object Localization and Task-Decomposition [84.24343796075316]
  本稿では,クロスドメインなFew-Shot学習のためのタスク拡張分解フレームワークを提案する。 提案した自己学習(ST)アプローチは,タスク指向距離空間を構築することで,非目標誘導の問題を軽減する。 CUB、カーズ、Places、Planae、CropDieases、EuroSAT、ISIC、ChestXの8つのドメインを含むクロスドメイン環境で実験を行う。
  論文  参考訳（メタデータ） (2021-09-03T04:23:07Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• 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)
• Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
  わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。 このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。 メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
  論文  参考訳（メタデータ） (2020-02-06T01:04:53Z)

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。