文献

J-GLOBAL ID：202102286444957528   整理番号：21A0669416

大規模教師なし領域適応のためのエントロピーと境界ベースの敵対学習【JST・京大機械翻訳】

Entropy and Boundary Based Adversarial Learning for Large Scale Unsupervised Domain Adaptation

著者 (2件)： Makkar Nikhil (Geographic Data Science Group, Oak Ridge National Laboratory,National Security Emerging Technologies Division) ,  Yang Hsiuhan Lexie (Geographic Data Science Group, Oak Ridge National Laboratory,National Security Emerging Technologies Division)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 589-592  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 教師つき意味セグメンテーション法は最先端の性能を提供するが,その性能は訓練に必要な品質ラベル付きデータの量によって制限される。交差ドメイン不一致によるモデルのラベル付きデータと非移動可能性は,リモートセンシング画像分析のより大きな課題となっている。本研究では,教師なし領域適応のための領域間領域のエントロピーと境界によって駆動される敵対学習を通してこの問題にアプローチする。この概念は,より良い境界予測を助け,ターゲットドメインエントロピーマップ(確率/不確実性マップ)をソースドメインと類似させる。特に,敵対学習を通して有益なエントロピーを導くことは,適応を可能にするために必須であることを示した。大規模交差国建築抽出データセットを用いて,フレームワークを検証した。実験結果は,適応のための境界とエントロピー駆動広告学習を考慮することの有用性を示した。Copyright 2021 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】

シソーラス用語： *エントロピー ,  *学習 ,  広告 ,  セグメンテーション ,  不確実性
準シソーラス用語： リモートセンシング画像 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 大規模 ,  教師 ,  適応 ,  エントロピー ,  境界 ,  敵対 ,  学習