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。
新しいクラスと新しいドメインからオブジェクトを検出し,分類するための訓練モデルは,未解決の問題のままである。本研究では,なぜオブジェクト検出モデルが壊滅的であるのかを徹底的に解析した。2段階ネットワークにおける蒸留ベースアプローチに焦点を当てた。現代の継続的なオブジェクト検出作業において,最も共通した戦略を採用した。蒸留は,以前のタスクで訓練されたモデルの知識を転送することを目的とする:新しいモデル,すなわち,新しいタスクを学習する。提案手法は,領域提案ネットワークに対して良好に機能するが,誤って,まだ,過度に秘密の教師予測が,分類ヘッドの効果的な学習から,学生モデルを防ぐことを示した。本解析は,現在の地上トラスラベルに基づく不正確な教師予測の検出と,分類ヘッドにおける蒸留損失に対する平均二乗誤差と反対に適応Huber損失を採用することにより,既存の技術の改善を提案する基礎を与える。この戦略は,クラスインクリメンタル設定だけでなく,ドメインインクリメンタル設定においても,代表的な実世界問題の設定になると思われる現実的なコンテキストを構成する。【JST・京大機械翻訳】