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。
実際の応用において,人の再同定(reid)は,教師つき微調整なしで,他のグループの歩行者から成る非ラベル化データセット上でうまく機能するために,多くの人々のグループで訓練されたモデルを必要とする本質的なドメイン適応コンピュータビジョンタスクである。さらに,典型的には,各クラスに属する少数のサンプルを持つ多数のクラス(人々)がある。ドメイン適応に関連する人のリッドと一般的仮定の特性に基づいて,著者らは交差データセット人のための新しいアルゴリズムを提唱した。著者らのアイデアは,単純ではあるが効果的である。最初に,スタイル転送GANでソースデータセットを前処理し,教師つき学習方法でベースラインを訓練する。次に,ラベル付きソースデータセットで訓練されたモデルに基づいて,ターゲットデータセットのラベル付けされないサンプルに擬似ラベルを割り当てる。最後に,著者らは,従来の教師つき学習方法において擬似ラベルを有するターゲットデータセットに関して訓練した。著者らは,擬似ラベルをより信頼できるようにするために,訓練プロセスにおける共同訓練のアイデアを採用した。広範な実験を通して,すべての最新の方法に対する著者らのモデルの優位性を示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】