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。
少数ショットオブジェクト検出(FSOD)は,豊富なベースクラス上で得られた知識を転送することによって,限られたデータで新しいオブジェクトクラスを学習するために,近年,繁dしている。FSOD手法は,通常,新しいクラスとテスト時間データのほとんど提供されていない事例が,同じドメインに属すると仮定する。しかしながら,この仮定は,様々な産業およびロボット工学アプリケーションにおいて保持されず,そこでは,モデルは,ターゲットドメインからクラスを推論しながら,ソースドメインから新しいクラスを学習できる。本研究では,FSODに対するドメイン一般化として知られているゼロショットドメイン適応のタスクに取り組んだ。特に,標的ドメインにおける新しいクラスの画像もラベルも訓練中に利用できないと仮定した。ドメインギャップを解決するためのアプローチは2倍である。最初に,メタ訓練パラダイムを活用し,ここではベースクラス上のドメインシフトを学習し,次にドメイン知識を新しいクラスに転送する。第2に,全ての可能なドメイン固有情報を説明するために,新しいクラスの少数のショットに関する様々なデータ増強技術を提案した。ネットワークを符号化ドメイン-診断クラス特異的表現に制約するために,コントラスト損失を提案して,前景提案とクラス埋込みの間の相互情報を最大化するために提案して,ターゲットドメインからバックグラウンド情報へのネットワークバイアスを減少した。T-LESS,PASCAL-VOC,およびExDarkデータセットに関する著者らの実験は,提案したアプローチが,ターゲットドメインから新しいカテゴリーのラベルまたは画像を利用することなく,ドメインギャップをかなり軽減するのに成功したことを示した。【JST・京大機械翻訳】