반교사가있는 물체 검출에 대해 조사 중
5134 단어 반교사 있음 학습심층 학습Semi-Supervised
SSII2020 ~ 제한된 데이터에서 심층 학습
도메인 적응의 원리와 응용
SSII2020 [OS2-02] 교사 있어 사전 학습을 능가하는 「약」교사 있어 사전 학습
SSII2020 [OS2-03] 심층 학습에서 반교사 있음 학습의 최신 동향
가짜 라벨:
라벨링된 데이터로 만든 학습된 모델을 사용하여 라벨링되지 않은 데이터로 예측값을 내고 만든 라벨.
비대칭 삼차 학습
"같은 추정 결과 & 사후 확률이 임계치 이상 → 의사 라벨로서 추정 결과"
흠흠. 아무것도 고안하지 않고, 예측치를 내고, 그것을 그대로 학습 데이터로 할 수 있을 만큼 별로 없다.
도메인 적응:
도메인 적응 (Domain Adaptation)은 전이 학습 (Transfer Learning)이라고 불리는 학습 기법의 일종입니다. 충분한 교사 레이블이있는 도메인 (Source Domain, 소스 도메인)에서 얻은 지식을 충분한 정보가없는 목표 도메인 (Target Domain, 대상 도메인)에 적용하여 목표 도메인에서 높은 정확도로 작동하는 식별 그릇 등을 학습합니다 (여기서 도메인 (Domain)은 데이터 모음을 가리키는 단어입니다). 출처
· 소스 도메인 식별 오류 최소화
· 도메인 간의 중첩을 극대화
따라서 손실 함수는 clasification loss와 Domain Loss의 가중치 합으로 구성되도록 재 작성되었습니다.
Deep Domain Confusion
SOURCE_NAME = 'amazon'
TARGET_NAME = 'webcam'
source 도메인과 target 도메인 간의 Domain Loss 값도 작게 되어 있다.
Pytorch의 torch.nn.CrossEntropyLoss()를 이용하고 있다.
clf_criterion = nn.CrossEntropyLoss()
여기에 있는 것은 이미지 분류.
Cross-Domain Weakly-Supervised Object Detection through Progressive Domain Adaptation
위의 논문 코드 github
흠흠.
SSD300이라는 네트워크 모델을 사용하는 것 같다.
from chainercv.links import SSD300
...
model = SSD300(
n_fg_class=len(voc_bbox_label_names), pretrained_model='voc0712')
Adversarial Discriminative Domain Adaptation
Strong-Weak Distribution Alignment
VGG, ResNet101의 네트워크 모델.
github A Pytorch Implementation of Strong-Weak Distribution Alignment for Adaptive Object Detection (CVPR 2019)
consistency regularization
섭동을 가해도 같은 예측이 되도록 제한을 가한다.
학습 화상의 측에 섭동이 더해질 뿐만 아니라, 손실 함수 중에도 변경이 있는 것 같다.
htps : // 기주 b. 코 m / chaka p / ゔ ぁ Tpy와 rch
htps : // 기주 b. 코 m/타케 m/ゔぁt_tf
htps : // 기주 b. 코 m / 9310은 우라 v / ぃ r 쭉 l 아 d ゔ ぇ r 사리아 l 트
Source code for STAC: A Simple Semi-Supervised Learning Framework for Object Detection
pdf htps : // 오페나세스 s.ぇ cvf. 코 m / 콘텐 t_ 잇 cV_2019 / 빠페 rs / K 호다반에서 h_ 아_ 로브 st_ ぇ 아 r-n g_ 아 p 로 아 ch_ ct_에서 c chion_ et cV_2019_paper. pdf
pdf Domain Adaptive Faster R-CNN for Object Detection in the Wild
github Domain Adaptive Faster R-CNN in PyTorch
다음 논문에서는 어둠 속에서 물체 검출을 도메인 적응으로 향상시킵니다.
YOLO in the Dark - Domain Adaptation Method for Merging Multiple Models -
htps : // 기주 b. 코 m / 비파 r k y / p 세우도 ㅁ 베 게네라와 r
이 리포지토리는 기존 Yolo의 학습 결과를 바탕으로 임시 라벨을 붙여 추가 학습을 진행하기위한 것 같습니다.
추가
다음 정보는 학습을 강력하게 만드는 기술의 예를 보여줍니다.
qiita 논문 소개: ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness
Reference
이 문제에 관하여(반교사가있는 물체 검출에 대해 조사 중), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/nonbiri15/items/cf96dab573b0182c9db2텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)