文献

J-GLOBAL ID：202202216991158591   整理番号：22A0879341

セマンティックセグメンテーションに対するマルチソースモデル適応に関する検討-複数のソースモデルからの不変な特徴表現の学習による適応精度の向上-

A note on multi-source model adaptation for semantic segmentation-Improving adaptation performance by learning model-invariant representation from multiple source models-

著者 (4件)： LI Zongyao (北大 大学院情報科学院) ,  藤後廉 (北大 数理・データサイエンス教育研究セ) ,  小川貴弘 (北大 大学院情報科学研究院) ,  長谷山美紀 (北大 大学院情報科学研究院)
資料名： 映像情報メディア学会技術報告
巻： 46  号： 6(MMS2022 1-37/ME2022 26-62/AIT2022 1-37)  ページ： 37-41  発行年： 2022年02月14日 
JST資料番号： S0209A  ISSN： 1342-6893  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,深層学習モデルのラベル付き学習データに対する依存を緩和するために,異なるドメインのラベル付きデータを利用する教師無しドメイン適応に関する研究が注目を集めている.しかしながら,実世界においては多くの場合で,個人情報保護などの観点からソースドメインデータの取得が制限されている.一方,学習済みモデルの共有は比較的に容易である.そこで,本文では,セマンティックセグメンテーションに対し,ソースドメインデータを利用せず複数のソースドメインの学習済みモデルからターゲットドメインへ適応するマルチソースモデル適応手法を提案する.具体的に,提案手法では特性の異なる各適応モデルにターゲットドメイン画像を入力し,同様の特徴表現,すなわちモデル不変な表現を学習することで,適応モデルのバイアスを減少し,ターゲットドメインへの知識転移を促進する.本文では,複数のドメイン設定における実験を行うことにより,提案手法の有効性を検証する.(著者抄録)

シソーラス用語： *機械学習 ,  *ニューラルネットワーク ,  セグメンテーション ,  特徴抽出 ,  ロバスト性 ,  適応性 ,  ラベル付け【画像】 ,  教師なし学習 ,  画像セグメンテーション ,  学習データ ,  *深層学習

分類 (3件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (9件)： セマンティックセグメンテーション ,  マルチ ,  ソース ,  モデル適応 ,  モデル ,  特徴表現 ,  学習 ,  適応 ,  精度の向上