抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
敵対的学習法は,ロバストな深層ネットワークを訓練するための有望なアプローチである,多様な領域にわたる複雑な試料を生成することができる。もドメインシフトまたはデータセットバイアスの存在にもかかわらず,認識を改善することができる:教師なしドメイン適応への最近の敵対的アプローチは,訓練と試験ドメイン分布間の差を減少させ,その結果,汎化性能を改善する。しかし,生成敵対的ネットワーク(GANs)は説得力のある可視化を示したが,それらは識別タスクに最適ではなく,小さいシフトに制限できる。一方,識別的アプローチはより大きな分域シフトを扱うことができるが,モデルに結合重みを課し,GaNベース損失を利用しない。本研究では,最初の敵対的適応,特別な場合として,最近の最新のアプローチを包含のための新しい一般化フレームワークを概説し,以前のアプローチをより関係づけるにこの一般的見解を用いた。識別モデリング,untied重み共有,およびGAN損失,敵対的識別領域適応(ADDA)を組み合わせた一般的フレームワークの以前に検討されていない事例を提案した。ADDAは,競合するドメイン敵対的方法よりかなりより簡単でしかもより有効であり,標準ドメイン適応タスクと同様に困難なモダリティ物体分類タスクに対する最新の教師なし適応結果を越えて,この手法の有望性を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】