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。
意味的セグメンテーションのための教師なし領域適応(UDA)は,ピクセルレベルラベルを得るのが難しい実世界シナリオに都合よく適用されている。既存のUDA法の大部分において,すべてのターゲットデータが同時に導入されると仮定した。しかし,このデータは,通常,実世界で連続的に提示される。さらに,継続的な学習設定における複数の目標領域を有するより実用的なシナリオを扱う連続UDAは,活発には調査されていない。この光では,新しく設計した拡張ターゲット固有メモリ(ETM)フレームワークに基づく意味セグメンテーションのための連続UDAを提案する。この新しいETMフレームワークは,破滅的忘却を軽減するために,各標的ドメインに対するターゲット特異的記憶(TM)を含む。さらに,提案した二重Hinge Adversarial(DHA)損失により,ネットワークが全体的に良好なUDA性能を生成する。TMと訓練目的の設計は,以前のターゲットドメインで学習された知識を保存しながら,現在のターゲットドメインに適応した意味セグメンテーションネットワークを削除する。提案フレームワークを持つモデルは,GTA5,SYNTHIA,CityScapes,IDD,およびCross-Cityデータセットのような標準ベンチマークに関する連続学習設定において,他の最先端のモデルより優れている。ソースコードはhttps://github.com/joonh kim/ETMで利用可能である。【JST・京大機械翻訳】