Adaptacja domeny wizualnej w erze głębokiego uczenia się

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Visual Domain Adaptation in the Deep Learning Era

Zawartość książki:

Rozwiązywanie problemów za pomocą głębokich sieci neuronowych zazwyczaj opiera się na ogromnych ilościach oznaczonych danych treningowych w celu osiągnięcia wysokiej wydajności/b>. Podczas gdy w wielu sytuacjach ogromne ilości nieoznakowanych danych mogą być i często są generowane i dostępne, koszt pozyskania etykiet danych pozostaje wysoki.

Transfer learning (TL), a w szczególności adaptacja domeny (DA), pojawiła się jako skuteczne rozwiązanie pozwalające przezwyciężyć obciążenie związane z adnotacją, wykorzystując nieoznakowane dane dostępne z domeny docelowej wraz z oznaczonymi danymi lub wstępnie wytrenowanymi modelami z podobnych, ale różnych domen źródłowych. Celem tej książki jest przedstawienie przeglądu takich metod DA/TL stosowanych w wizji komputerowej, dziedzinie, której popularność znacznie wzrosła w ciągu ostatnich kilku lat. Przygotowujemy scenę, powracając do podstaw teoretycznych i niektórych historycznych płytkich metod, zanim omówimy i porównamy różne strategie adaptacji domeny, które wykorzystują głębokie architektury do rozpoznawania wizualnego.

Przedstawiamy przestrzeń metod opartych na samokształceniu, które czerpią inspirację z pokrewnych dziedzin głębokiego pół-nadzorowanego i samonadzorowanego uczenia się w rozwiązywaniu głębokiej adaptacji domeny. Wychodząc poza klasyczny problem adaptacji domeny, badamy następnie bogatą przestrzeń ustawień problemów, które pojawiają się podczas stosowania adaptacji domeny w praktyce, takich jak częściowe lub otwarte DA, gdzie kategorie danych źródłowych i docelowych nie pokrywają się w pełni, ciągłe DA, gdzie dane docelowe pochodzą jako strumień, i tak dalej.

Następnie rozważamy najmniej restrykcyjne ustawienie uogólnienia domeny (DG), jako skrajny przypadek, w którym ani oznaczone, ani nieoznakowane dane docelowe nie są dostępne podczas szkolenia. Na koniec rozważamy wyłaniający się obszar uczenia się do uczenia się i sposób, w jaki można go zastosować do dalszego ulepszania istniejących podejść do problemów uczenia się między domenami, takich jak DA i DG.