Adaptarea domeniului vizual în era învățării profunde

Recenzii ale cititorilor

În prezent, nu există recenzii ale cititorilor. Evaluarea se bazează pe 2 voturi.

Titlul original:

Visual Domain Adaptation in the Deep Learning Era

Conținutul cărții:

Rezolvarea problemelor cu ajutorul rețelelor neuronale profunde se bazează de obicei pe cantități masive de date de formare etichetate pentru a obține performanțe ridicate/b>. Deși, în multe situații, volume uriașe de date neetichetate pot fi și sunt adesea generate și disponibile, costul achiziționării etichetelor de date rămâne ridicat.

Învățarea prin transfer (TL), și în special adaptarea la domeniu (DA), a apărut ca o soluție eficientă pentru a depăși povara adnotării, exploatând datele neetichetate disponibile din domeniul țintă împreună cu date etichetate sau modele preantrenate din domenii sursă similare, dar diferite. Scopul acestei cărți este de a oferi o imagine de ansamblu asupra acestor metode DA/TL aplicate viziunii pe calculator, un domeniu a cărui popularitate a crescut semnificativ în ultimii ani. Am stabilit scena prin revizuirea contextului teoretic și a unora dintre metodele istorice superficiale înainte de a discuta și de a compara diferite strategii de adaptare a domeniului care exploatează arhitecturi profunde pentru recunoașterea vizuală.

Introducem spațiul metodelor bazate pe auto-formare care se inspiră din domeniile conexe ale învățării profunde semi-supervizate și autosupervizate în rezolvarea adaptării domeniului profund. Trecând dincolo de problema clasică a adaptării domeniului, explorăm apoi spațiul bogat de setări de probleme care apar atunci când se aplică adaptarea domeniului în practică, cum ar fi DA parțială sau deschisă, în care categoriile de date sursă și țintă nu se suprapun complet, DA continuă, în care datele țintă vin ca un flux și așa mai departe.

În continuare, luăm în considerare cel mai puțin restrictiv cadru de generalizare a domeniului (DG), ca un caz extrem în care nici datele țintă etichetate, nici cele neetichetate nu sunt disponibile în timpul formării. În cele din urmă, vom încheia prin a lua în considerare domeniul emergent al învățării pentru a învăța și modul în care acesta poate fi aplicat pentru a îmbunătăți în continuare abordările existente la problemele de învățare în domenii diferite, cum ar fi DA și DG.