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。
深い学習ベースの物体検出器は顕著な改善を示した。しかし,列車データと試験データが異なる分布を持つとき,教師つき学習ベースの方法は不十分である。この問題に取り組むために,ドメイン適応は,ラベルのないドメイン(ソースドメイン)からラベルのないドメイン(ターゲットドメイン)への知識を移動させる。自己訓練は,それがクラスごとのドメイン適応を助けるので,ドメイン適応を達成する強力な方法の一つである。残念なことに,擬似ラベルを地面真実として利用するナイーブなアプローチは,誤った擬似ラベルによる性能を低下させる。本論文では,ドメイン適応1段オブジェクト検出のための弱い自己訓練(WST)法と逆方向背景スコア正則化(BSR)を導入した。WSTは,学習手順を安定化するために不正確な擬似ラベルの悪影響を減少させる。BSRは,ドメインシフトを減少させるために,ネットワークがターゲットバックグラウンドに対する識別特徴を抽出するのを助ける。2つの構成要素は,BSRが前と背景の間の識別を強化するが,WSTはクラス毎の識別を強化する。実験結果は,著者らの方式が教師なし領域適応設定における1段階物体検出の性能を効果的に改善することを示した。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】
