L'adattamento del dominio visivo nell'era dell'apprendimento profondo

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

Visual Domain Adaptation in the Deep Learning Era

Contenuto del libro:

Pemecahan masalah dengan jaringan syaraf tiruan biasanya bergantung pada sejumlah besar data pelatihan berlabel untuk mencapai kinerja tinggi. Meskipun dalam banyak situasi, volume besar data yang tidak berlabel dapat dan sering kali dihasilkan dan tersedia, biaya untuk memperoleh label data tetap tinggi.

Transfer learning (TL), dan khususnya adaptasi domain (DA), telah muncul sebagai solusi yang efektif untuk mengatasi beban anotasi, dengan mengeksploitasi data tak berlabel yang tersedia dari domain target bersama dengan data berlabel atau model yang sudah dilatih sebelumnya dari domain sumber yang serupa namun berbeda. Tujuan dari buku ini adalah untuk memberikan gambaran umum tentang metode DA/TL yang diterapkan pada visi komputer, sebuah bidang yang popularitasnya telah meningkat secara signifikan dalam beberapa tahun terakhir. Prepariamo la scena rivisitando il background teorico e alcuni dei metodi storici poco profondi prima di discutere e confrontare diverse strategie di adattamento al dominio che sfruttano le architetture profonde per il riconoscimento visivo.

Introduciamo lo spazio dei metodi basati sull'autoformazione che traggono ispirazione dai campi correlati dell'apprendimento profondo semi-supervisionato e auto-supervisionato per risolvere l'adattamento al dominio profondo. Andando oltre il classico problema dell'adattamento del dominio, esploriamo poi il ricco spazio di problemi che si presentano quando si applica l'adattamento del dominio nella pratica, come la DA parziale o open-set, in cui le categorie di dati di origine e di destinazione non si sovrappongono completamente, la DA continua in cui i dati di destinazione arrivano come un flusso, e così via.

Consideriamo poi l'impostazione meno restrittiva della generalizzazione del dominio (DG), come caso estremo in cui durante l'addestramento non sono disponibili dati di destinazione né etichettati né non etichettati. Infine, concludiamo considerando l'area emergente del learning-to-learn e il modo in cui può essere applicata per migliorare ulteriormente gli approcci esistenti ai problemi di apprendimento trasversale ai domini, come la DA e la DG.