論文の概要: Survey on Unsupervised Domain Adaptation for Semantic Segmentation for Visual Perception in Automated Driving

• arxiv url: http://arxiv.org/abs/2304.11928v1
• Date: Mon, 24 Apr 2023 09:13:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 15:41:23.785272
• Title: Survey on Unsupervised Domain Adaptation for Semantic Segmentation for Visual Perception in Automated Driving
• Title（参考訳）: 自動走行における視覚知覚のためのセマンティックセグメンテーションのための教師なし領域適応に関する調査
• Authors: Manuel Schwonberg, Joshua Niemeijer, Jan-Aike Term\"ohlen, J\"org P. Sch\"afer, Nico M. Schmidt, Hanno Gottschalk, Tim Fingscheidt
• Abstract要約: ディープニューラルネットワーク(DNN)は、ロボット工学や自動運転など、過去数年間に多くの分野でその能力を証明してきた。 この進歩と膨大な研究努力にもかかわらず、自動運転におけるDNNの適用性を制限するいくつかの問題に対処する必要がある。 新しい、目に見えないドメインへのDNNの悪い一般化は、安全で大規模なアプリケーションへの道のりで大きな問題である。
• 参考スコア（独自算出の注目度）: 23.4168567262989
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep neural networks (DNNs) have proven their capabilities in many areas in the past years, such as robotics, or automated driving, enabling technological breakthroughs. DNNs play a significant role in environment perception for the challenging application of automated driving and are employed for tasks such as detection, semantic segmentation, and sensor fusion. Despite this progress and tremendous research efforts, several issues still need to be addressed that limit the applicability of DNNs in automated driving. The bad generalization of DNNs to new, unseen domains is a major problem on the way to a safe, large-scale application, because manual annotation of new domains is costly, particularly for semantic segmentation. For this reason, methods are required to adapt DNNs to new domains without labeling effort. The task, which these methods aim to solve is termed unsupervised domain adaptation (UDA). While several different domain shifts can challenge DNNs, the shift between synthetic and real data is of particular importance for automated driving, as it allows the use of simulation environments for DNN training. In this work, we present an overview of the current state of the art in this field of research. We categorize and explain the different approaches for UDA. The number of considered publications is larger than any other survey on this topic. The scope of this survey goes far beyond the description of the UDA state-of-the-art. Based on our large data and knowledge base, we present a quantitative comparison of the approaches and use the observations to point out the latest trends in this field. In the following, we conduct a critical analysis of the state-of-the-art and highlight promising future research directions. With this survey, we aim to facilitate UDA research further and encourage scientists to exploit novel research directions to generalize DNNs better.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、ロボット工学や自動運転など、過去数年間で多くの分野でその能力を証明しており、技術的ブレークスルーを可能にしている。 DNNは、自動走行の困難な適用のために環境認識において重要な役割を果たし、検出、セマンティックセグメンテーション、センサー融合といったタスクに使用される。 この進歩と膨大な研究努力にもかかわらず、自動運転におけるDNNの適用性を制限するいくつかの問題に対処する必要がある。 新しいドメインへのDNNの悪い一般化は、特にセマンティックセグメンテーションにおいて、新しいドメインのマニュアルアノテーションが高価であるため、安全で大規模なアプリケーションへの道のりにおける大きな問題である。 そのため、ラベル付けをせずにDNNを新しいドメインに適応させる方法が求められている。 これらの手法が解決しようとするタスクをunsupervised domain adaptation(uda)と呼ぶ。 いくつかの異なるドメインシフトがDNNに挑戦する可能性があるが、合成データと実際のデータのシフトは、DNNトレーニングにシミュレーション環境を使用することができるため、自動運転において特に重要である。 本稿では,本研究における美術の現状について概観する。 UDAの異なるアプローチを分類し、説明する。 検討された出版物の数は、他のどの調査よりも多い。 この調査の範囲は、UDAの現状の説明をはるかに超えています。 当社の大規模データと知識ベースに基づいて、アプローチの定量的比較を行い、観測結果を用いて、この分野の最新動向を指摘する。 以下に、現状を批判的に分析し、将来有望な研究の方向性を明らかにする。 本調査では,UDA研究をさらに促進し,新たな研究の方向性を活かしてDNNの一般化を促進することを目的としている。

関連論文リスト

• Verifying the Generalization of Deep Learning to Out-of-Distribution Domains [1.5774380628229037]
  ディープニューラルネットワーク(DNN)は、機械学習の分野において重要な役割を果たす。 DNNは時折、一般化に伴う課題、すなわち訓練中に遭遇しなかった入力を処理できなくなることがある。 この制限は、セーフティクリティカルなタスクにディープラーニングをデプロイする上で、重要な課題である。
  論文  参考訳（メタデータ） (2024-06-04T07:02:59Z)
• Survey: Exploiting Data Redundancy for Optimization of Deep Learning [42.1585031880029]
  深部ニューラルネットワーク(DNN)の入力と中間結果におけるデータの冗長性 この記事では、このトピックに関する最近の何百もの論文を調査します。 様々なテクニックを単一の分類の枠組みに組み込む新しい分類法を導入している。
  論文  参考訳（メタデータ） (2022-08-29T04:31:18Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)
• Neuron Coverage-Guided Domain Generalization [37.77033512313927]
  本稿では、ドメイン知識が利用できないドメイン一般化タスクに注目し、さらに悪いことに、1つのドメインからのサンプルのみをトレーニング中に利用することができる。 私たちの動機は、ディープニューラルネットワーク(DNN)テストの最近の進歩に由来し、DNNのニューロンカバレッジの最大化がDNNの潜在的な欠陥の探索に役立つことが示されています。
  論文  参考訳（メタデータ） (2021-02-27T14:26:53Z)
• 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)
• A Survey on Assessing the Generalization Envelope of Deep Neural Networks: Predictive Uncertainty, Out-of-distribution and Adversarial Samples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くのアプリケーションで最先端のパフォーマンスを達成する。 入力を受けたDNNが、通常、その決定基準が不透明であるため、正しい出力を提供するかどうかを事前に判断することは困難である。 本調査は,機械学習手法,特にDNNの一般化性能について,大規模フレームワーク内の3つの分野を関連づけるものである。
  論文  参考訳（メタデータ） (2020-08-21T09:12:52Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Neuroevolution in Deep Neural Networks: Current Trends and Future Challenges [0.0]
  人工深層ニューラルネットワーク(DNN)のアーキテクチャ構成と学習,あるいはトレーニングに,さまざまな手法が適用されている。 進化的アルゴリズム(EA)は、DNNの自動最適化とトレーニングのための計算可能な方法として勢いを増している。 本稿では,DNNのアーキテクチャ構成とトレーニングにEAを用いた最先端の作業について,総合的な調査,議論,評価を行う。
  論文  参考訳（メタデータ） (2020-06-09T17:28:25Z)
• Adversarial Attacks and Defenses on Graphs: A Review, A Tool and Empirical Studies [73.39668293190019]
  敵攻撃は入力に対する小さな摂動によって容易に騙される。 グラフニューラルネットワーク(GNN)がこの脆弱性を継承することを実証している。 本調査では,既存の攻撃と防御を分類し,対応する最先端の手法を概観する。
  論文  参考訳（メタデータ） (2020-03-02T04:32:38Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。