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。
深い学習に基づく意味的セグメンテーション法は,モデルを訓練することが画素レベルアノテーションによる大量のデータを必要とする固有の限界を持つ。この挑戦的問題に取り組むために,多くの研究者は意味論的セグメンテーションのための教師なしドメイン適応に注意を払っている。教師なしドメイン適応は,ターゲットドメインに対するソースドメインで訓練されたモデルを適応させる。本論文では,分類におけるドメイン適応のための成功した方法の一つである自己集合技術を紹介した。しかし,自己集合に自己集合を適用することは,自己集合において使用される重み調整手動データの増大が意味的セグメンテーションにおける大きな領域ギャップを低減するために有用でないため,非常に困難である。この限界を克服するために,互いに相補的な2つの構成要素から成る新しいフレームワークを提案した。最初に,著者らは,ドメインアラインメントを容易にするために計算的に効率的で効果的である一般的な付加的ネットワーク(Gans)に基づくデータ増強法を提示した。これらの拡張画像を与えて,自己集合を適用して,目標領域上のセグメンテーションネットワークの性能を強化した。提案した方法は,教師なしドメイン適応ベンチマークに関する最先端の意味セグメンテーション法より優れている。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】
