論文の概要: A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application

• arxiv url: http://arxiv.org/abs/2310.14277v1
• Date: Sun, 22 Oct 2023 11:53:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 00:41:56.882904
• Title: A Survey on Continual Semantic Segmentation: Theory, Challenge, Method and Application
• Title（参考訳）: 連続的意味セグメンテーションに関する調査:理論、挑戦、方法、および応用
• Authors: Bo Yuan, Danpei Zhao
• Abstract要約: 継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。 本稿では,連続的セマンティックセグメンテーション(CSS:Continuous semantic segmentation, 連続意味セグメンテーション)について概説する。 現在のCSSモデルを、textitdata-replay と textitdata-free セットを含む2つのメインブランチに分類し、分類する。 各ブランチにおいて、対応するアプローチは類似性に基づくクラスタ化および網羅的解析であり、関連するデータセットの質的比較と定量的再現に続く。
• 参考スコア（独自算出の注目度）: 8.973607475910068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning, also known as incremental learning or life-long learning, stands at the forefront of deep learning and AI systems. It breaks through the obstacle of one-way training on close sets and enables continuous adaptive learning on open-set conditions. In the recent decade, continual learning has been explored and applied in multiple fields especially in computer vision covering classification, detection and segmentation tasks. Continual semantic segmentation (CSS), of which the dense prediction peculiarity makes it a challenging, intricate and burgeoning task. In this paper, we present a review of CSS, committing to building a comprehensive survey on problem formulations, primary challenges, universal datasets, neoteric theories and multifarious applications. Concretely, we begin by elucidating the problem definitions and primary challenges. Based on an in-depth investigation of relevant approaches, we sort out and categorize current CSS models into two main branches including \textit{data-replay} and \textit{data-free} sets. In each branch, the corresponding approaches are similarity-based clustered and thoroughly analyzed, following qualitative comparison and quantitative reproductions on relevant datasets. Besides, we also introduce four CSS specialities with diverse application scenarios and development tendencies. Furthermore, we develop a benchmark for CSS encompassing representative references, evaluation results and reproductions, which is available at~\url{https://github.com/YBIO/SurveyCSS}. We hope this survey can serve as a reference-worthy and stimulating contribution to the advancement of the life-long learning field, while also providing valuable perspectives for related fields.
• Abstract（参考訳）: 継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。 クローズセットでの片道トレーニングの障害を突破し、オープンセット条件での継続的適応学習を可能にする。 近年、連続学習は、特に分類、検出、セグメンテーションタスクをカバーするコンピュータビジョンにおいて、様々な分野で研究され、応用されてきた。 連続的セマンティックセグメンテーション(CSS)は、密集した予測特異性によって困難で複雑で波及的なタスクとなる。 本稿では,問題定式化,主要な課題,普遍データセット,ネオテリック理論,多元的応用に関する総合的な調査を行うために,cssのレビューを行う。 具体的には、問題定義と主要な課題を明らかにすることから始める。 関連するアプローチの詳細な調査に基づいて、現在のcssモデルを、 \textit{data-replay} と \textit{data-free} の2つのメインブランチに分類した。 各ブランチでは、関連するデータセットの質的比較と定量的再現に続いて、対応するアプローチは類似性に基づいてクラスタ化され、徹底的に分析される。 さらに、多様なアプリケーションシナリオと開発傾向を持つ4つのCSS特長も導入しています。 さらに、代表参照、評価結果、再現を含むCSSのベンチマークを開発し、~\url{https://github.com/YBIO/SurveyCSS}で利用可能である。 我々は,この調査が,生涯学習分野の発展への基準的かつ刺激的な貢献でありつつ,関連する分野に価値ある視点を提供することができることを願っている。

関連論文リスト

• Frequency-based Matcher for Long-tailed Semantic Segmentation [22.199174076366003]
  我々は、比較的未探索なタスク設定、長い尾のセマンティックセマンティックセグメンテーション(LTSS)に焦点を当てる。 本稿では,セマンティックセグメンテーション手法と長鎖解の性能を示すために,二値評価システムを提案し,LTSSベンチマークを構築した。 また,1対1のマッチングによって過剰な圧縮問題を解決する周波数ベースのマーカであるLTSSを改善するトランスフォーマーベースのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-06T09:57:56Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• A Survey on Open-Vocabulary Detection and Segmentation: Past, Present, and Future [6.4105103117533755]
  分類学は、まず様々なタスクと方法論を整理するために開発された。 提案した分類法は、オブジェクト検出、セマンティック/インスタンス/パノプティクスのセグメンテーション、3Dとビデオの理解など、さまざまなタスクにまたがって普遍的である。
  論文  参考訳（メタデータ） (2023-07-18T12:52:49Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。