Leserbewertungen
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Originaltitel:
Visual Domain Adaptation in the Deep Learning Era
Inhalt des Buches:
Bei der Lösung von Problemen mit tiefen neuronalen Netzen werden in der Regel große Mengen an beschrifteten Trainingsdaten benötigt, um eine hohe Leistung zu erzielen. Obwohl in vielen Situationen riesige Mengen an unmarkierten Daten erzeugt werden können und oft auch verfügbar sind, sind die Kosten für die Beschaffung von Datenmarkierungen nach wie vor hoch.
Transferlernen (TL) und insbesondere die Domänenanpassung (DA) haben sich als wirksame Lösung zur Überwindung des Annotationsaufwands erwiesen, indem sie die in der Zieldomäne verfügbaren unbeschrifteten Daten zusammen mit beschrifteten Daten oder vorab trainierten Modellen aus ähnlichen, aber unterschiedlichen Quelldomänen nutzen. Das Ziel dieses Buches ist es, einen Überblick über solche DA/TL-Methoden zu geben, die auf die Computer Vision angewandt werden, ein Gebiet, dessen Popularität in den letzten Jahren erheblich zugenommen hat. Wir bereiten die Bühne, indem wir den theoretischen Hintergrund und einige der historischen flachen Methoden wiederholen, bevor wir verschiedene Domänenanpassungsstrategien diskutieren und vergleichen, die tiefe Architekturen für die visuelle Erkennung ausnutzen.
Wir stellen den Bereich der auf Selbsttraining basierenden Methoden vor, die sich bei der Lösung der tiefen Domänenanpassung von den verwandten Bereichen des tiefen halbüberwachten und selbstüberwachten Lernens inspirieren lassen. Wir gehen über das klassische Problem der Domänenanpassung hinaus und erforschen dann den reichhaltigen Raum von Problemstellungen, die sich bei der Anwendung der Domänenanpassung in der Praxis ergeben, wie z.
B. partielle oder Open-Set-DA, bei der sich Quell- und Zieldatenkategorien nicht vollständig überschneiden, kontinuierliche DA, bei der die Zieldaten als Strom ankommen, usw.
Als nächstes betrachten wir die am wenigsten restriktive Einstellung der Domänengeneralisierung (DG) als Extremfall, bei dem während des Trainings weder beschriftete noch unbeschriftete Zieldaten verfügbar sind. Abschließend betrachten wir den aufstrebenden Bereich des Learning-to-Learn und wie dieser angewendet werden kann, um bestehende Ansätze für domänenübergreifende Lernprobleme wie DA und DG weiter zu verbessern.
Weitere Daten des Buches:
| ISBN: | 9781636393414 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 190 |
Kauf:
Derzeit verfügbar, auf Lager.
