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。
ドメイン適応の領域は,多くのアプリケーションによって遭遇するドメインシフト問題に対処するのに機器である。この問題は,実際の試験シナリオで使用された目標データとの比較において,訓練に使用されるソースデータの分布の違いにより発生する。本論文では,最近導入したYOLOv4オブジェクト検出器の異なるスケールで,複数のドメイン適応経路と対応するドメイン分類器を使用する,新しいMultiScaleドメイン適応YOLO(MS-DAYOLO)フレームワークを導入した。ベースラインマルチスケールDAYOLOフレームワークに基づいて,ドメイン不変特徴を生成するドメイン適応ネットワーク(DAN)のための3つの新しい深層学習アーキテクチャを導入した。特に,非統一分類器(UC)と統合アーキテクチャであるProgressive Fature Reduction(PFR)を提案する。提案DANアーキテクチャを,ポピュラーなデータセットを用いてYOLOv4と共に訓練し,テストする。著者らの実験は,提案したMS-DAYOLOアーキテクチャを用いてYOLOv4を訓練し,自律運転アプリケーションのためのターゲットデータで試験したとき,オブジェクト検出性能における顕著な改善を示した。さらに,MS-DAYOLOフレームワークは,Faster R-CNN解と比較して,同等の物体検出性能を提供しながら,1桁の実時間速度改善を達成した。【JST・京大機械翻訳】