Vizuális tartományi adaptáció a mélytanulás korszakában

Olvasói vélemények

Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.

Eredeti címe:

Visual Domain Adaptation in the Deep Learning Era

Könyv tartalma:

A mély neurális hálózatokkal történő problémamegoldás jellemzően nagy mennyiségű címkézett képzési adatra támaszkodik a nagy teljesítmény eléréséhez/b>. Bár sok helyzetben hatalmas mennyiségű címkézetlen adat generálható és gyakran rendelkezésre is áll, az adatcímkék beszerzésének költségei továbbra is magasak.

A transzfer tanulás (TL), és különösen a domain adaptáció (DA) hatékony megoldásként jelent meg a megjegyzésekkel járó terhek leküzdésére, a célterületről rendelkezésre álló címkézetlen adatokat címkézett adatokkal vagy hasonló, de eltérő forrásterületről származó, előre betanított modellekkel együtt hasznosítva. E könyv célja, hogy áttekintést nyújtson az ilyen DA/TL módszerekről, amelyeket a számítógépes látásban alkalmaznak, egy olyan területen, amelynek népszerűsége az utóbbi években jelentősen megnőtt. Az elméleti háttér és néhány történelmi sekély módszer áttekintésével teremtjük meg a terepet, mielőtt megvitatjuk és összehasonlítjuk a különböző, a mély architektúrákat a vizuális felismeréshez kihasználó tartományi adaptációs stratégiákat.

Bemutatjuk az önképzésen alapuló módszerek terét, amelyek a mély tartományi adaptáció megoldása során a mély félig felügyelt és önfelügyelt tanulás kapcsolódó területeiről merítenek ihletet. A klasszikus tartományadaptációs problémán túllépve ezután a tartományadaptáció gyakorlati alkalmazásakor felmerülő problémakörök gazdag terét vizsgáljuk, mint például a részleges vagy nyitott halmazú DA, ahol a forrás- és céladat-kategóriák nem fedik át teljesen egymást, a folyamatos DA, ahol a céladatok folyamként érkeznek, és így tovább.

Ezután megvizsgáljuk a legkevésbé korlátozó beállítást, a tartomány általánosítást (DG), mint szélsőséges esetet, amikor sem címkézett, sem címkézetlen céladatok nem állnak rendelkezésre a képzés során. Végül a tanulástanulás újonnan megjelenő területének vizsgálatával zárjuk, és azzal, hogy miként lehet alkalmazni azt a meglévő megközelítések további javítására az olyan tartományok közötti tanulási problémák, mint a DA és a DG esetében.