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

• arxiv url: http://arxiv.org/abs/2303.09253v1
• Date: Thu, 16 Mar 2023 12:06:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 15:39:37.355486
• Title: A Survey of Deep Visual Cross-Domain Few-Shot Learning
• Title（参考訳）: 深部視覚横断型Few-Shot学習の実態調査
• Authors: Wenjian Wang, Lijuan Duan, Yuxi Wang, Junsong Fan, Zhi Gong, Zhaoxiang Zhang
• Abstract要約: ラベル付きデータしか持たない新しいクラスを認識できるため、手書き転送学習は研究の中心となっている。 CDFS(Cross-Domain Few-Shot)の研究はこの問題に対処するために現れ、より困難で現実的な設定を形成している。 問題設定と対応ソリューションの観点から,CDFSの詳細な分類法を提案する。
• 参考スコア（独自算出の注目度）: 46.08156372869305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-Shot transfer learning has become a major focus of research as it allows recognition of new classes with limited labeled data. While it is assumed that train and test data have the same data distribution, this is often not the case in real-world applications. This leads to decreased model transfer effects when the new class distribution differs significantly from the learned classes. Research into Cross-Domain Few-Shot (CDFS) has emerged to address this issue, forming a more challenging and realistic setting. In this survey, we provide a detailed taxonomy of CDFS from the problem setting and corresponding solutions view. We summarise the existing CDFS network architectures and discuss the solution ideas for each direction the taxonomy indicates. Furthermore, we introduce various CDFS downstream applications and outline classification, detection, and segmentation benchmarks and corresponding standards for evaluation. We also discuss the challenges of CDFS research and explore potential directions for future investigation. Through this review, we aim to provide comprehensive guidance on CDFS research, enabling researchers to gain insight into the state-of-the-art while allowing them to build upon existing solutions to develop their own CDFS models.
• Abstract（参考訳）: ラベル付きデータに制限のある新しいクラスを認識可能にするため、少数の転校学習が研究の中心となっている。 トレーニングデータとテストデータは同じデータ分布を持つと仮定されるが、実際のアプリケーションではそうではないことが多い。 これにより、新しいクラス分布が学習クラスと大きく異なる場合、モデル転送効果が低下する。 クロスドメイン・マイノショット(cdfs)の研究がこの問題を解決するために現れ、より挑戦的で現実的な設定を形成している。 本調査では,問題設定と対応ソリューションの観点からCDFSの詳細な分類について述べる。 我々は,既存のcdfsネットワークアーキテクチャを要約し,分類が示す各方向の解法について論じる。 さらに,様々なcdfsダウンストリームアプリケーションとアウトライン分類,検出,セグメンテーションベンチマークと対応する評価基準について紹介する。 また,CDFS研究の課題についても論じ,今後の研究の方向性を探る。 このレビューを通じて,cdfs研究の包括的ガイダンスを提供することを目標とし,研究者が最先端の知見を得るとともに,既存のソリューションを構築でき,独自のcdfsモデルを開発することが可能となる。

関連論文リスト

• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)
• FS-BAN: Born-Again Networks for Domain Generalization Few-Shot Classification [39.01765909445661]
  ドメイン一般化 FSC (DG-FSC) は、未知のドメインから新しいクラスサンプルを認識するために提案されている。 DG-FSCは、ベースクラス(トレーニングで使用される)と新しいクラスの間のドメインシフトのため、多くのモデルに重大な課題を提起する。 本研究では,Ban-Again Network (BAN) エピソードトレーニングを提案し,DG-FSCの有効性を包括的に検討した。 DG-FSCのための新しいBANアプローチであるFS-BANを提案する。
  論文  参考訳（メタデータ） (2022-08-23T13:02:14Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• An Empirical Study and Comparison of Recent Few-Shot Object Detection Algorithms [57.59828652683837]
  Few-Shot Object Detection (FSOD)は、人間の学習能力の模倣として最近話題になっている。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。 新たな分類法は、新しいクラスを対象とする検出において、事前知識の役割に基づいて提案される。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Exploring Neural Models for Query-Focused Summarization [74.41256438059256]
  クエリ中心の要約(QFS)に対するニューラルネットワークの体系的な探索を行う。 本稿では,QMSumデータセットの最先端性能を最大3.38ROUGE-1,3.72ROUGE-2,3.28ROUGE-Lのマージンで達成する2つのモデル拡張を提案する。
  論文  参考訳（メタデータ） (2021-12-14T18:33:29Z)
• A Survey on Concept Factorization: From Shallow to Deep Representation Learning [104.78577405792592]
  概念因子化(CF)は、機械学習とデータマイニングの分野で大きな関心を集めています。 まず、ルートCF法を再検討し、CFに基づく表現学習の進歩について検討する。 また、CFベースの手法の潜在的な適用領域についても紹介する。
  論文  参考訳（メタデータ） (2020-07-31T04:19:14Z)
• Applications of Unsupervised Deep Transfer Learning to Intelligent Fault Diagnosis: A Survey and Comparative Study [1.2345552555178128]
  我々は,新しい分類体系を構築し,異なるタスクに応じてUDTLに基づくIFDの包括的レビューを行う。 UDTLベースのIFDの重要性と重要性を強調するため、テストフレームワーク全体が研究コミュニティに公開される予定である。
  論文  参考訳（メタデータ） (2019-12-28T21:45:34Z)

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。