文献

J-GLOBAL ID：202202270429352901   整理番号：22A0789016

セマンティックセグメンテーションのためのマルチドメイン増分学習【JST・京大機械翻訳】

Multi-Domain Incremental Learning for Semantic Segmentation

著者 (6件)： Garg Prachi (CVIT - IIIT Hyderabad,India) ,  Saluja Rohit (CVIT - IIIT Hyderabad,India) ,  Balasubramanian Vineeth N (IIT Hyderabad,India) ,  Arora Chetan (IIT Delhi,India) ,  Subramanian Anbumani (CVIT - IIIT Hyderabad,India) ,  Jawahar C.V. (CVIT - IIIT Hyderabad,India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： WACV  ページ： 2080-2090  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 意味的セグメンテーションのためのマルチドメイン学習における最近の努力は,普遍的な共同モデルにおける複数の地理的データセットを学習することを試みた。3つのポピュラーな道路シーンセグメンテーションデータセット上で連続して行われた簡単な微調整実験は,既存のセグメンテーションフレームワークが一連の視覚的に異なる地理的ドメイン上で漸増学習で失敗することを示した。新しいドメインを学習するとき,モデルは以前に学習された知識を壊滅的に忘れる。本研究では,意味セグメンテーションのためのマルチドメインインクリメンタル学習の問題を提起した。特定の地理的ドメインで訓練されたモデルを考えると,目標は(i)新しい地理的ドメインを漸増的に学習し,(ii)古いドメインで性能を保持すること,(iii)以前のドメインデータセットがアクセスできないこと,である。普遍的に共有されたドメイン不変パラメータを割り当てる動的アーキテクチャを提案し,すべてのドメインに存在する均一意味特徴を捉え,一方,専用ドメイン固有パラメータは各ドメインの統計量を学習した。この新しい最適化戦略は,古い知識(安定性)の保持と新しい知識(可塑性)の獲得の間の良好なバランスを達成するのに役立つ。ドイツの道路(都市景観),米国(BDD100k),およびインド(IDD)からの実世界運転場面に関連する領域増分設定に対する提案解法の有効性を実証した。1.Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 塑性 ,  最適化 ,  視覚 ,  *学習 ,  *セグメンテーション ,  道路 ,  インド ,  ドイツ連邦共和国 ,  地理学 ,  都市景観 ,  統計量 ,  有効性 ,  計算機アーキテクチャ
準シソーラス用語： インクリメンタル学習 ,  *マルチドメイン , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： セマンティックセグメンテーション ,  マルチドメイン ,  学習