Adaptación visual de dominios en la era del aprendizaje profundo

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Título original:

Visual Domain Adaptation in the Deep Learning Era

Contenido del libro:

La resolución de problemas con redes neuronales profundas suele depender de grandes cantidades de datos de entrenamiento etiquetados para lograr un alto rendimiento/b>. Aunque en muchas situaciones pueden generarse y a menudo están disponibles enormes volúmenes de datos sin etiquetar, el coste de adquirir etiquetas de datos sigue siendo elevado.

El aprendizaje por transferencia (TL), y en particular la adaptación al dominio (DA), ha surgido como una solución eficaz para superar la carga de la anotación, explotando los datos no etiquetados disponibles del dominio de destino junto con datos etiquetados o modelos preentrenados de dominios de origen similares, aunque diferentes. El objetivo de este libro es ofrecer una visión general de estos métodos de DA/TL aplicados a la visión por ordenador, un campo cuya popularidad ha aumentado considerablemente en los últimos años. Preparamos el escenario revisando los antecedentes teóricos y algunos de los métodos superficiales históricos antes de discutir y comparar diferentes estrategias de adaptación de dominio que explotan arquitecturas profundas para el reconocimiento visual.

Introducimos el espacio de los métodos basados en el autoentrenamiento que se inspiran en los campos relacionados del aprendizaje profundo semisupervisado y autosupervisado para resolver la adaptación profunda de dominios. Más allá del problema clásico de adaptación de dominios, exploramos el rico espacio de configuraciones de problemas que surgen al aplicar la adaptación de dominios en la práctica, como la DA parcial o de conjunto abierto, en la que las categorías de datos de origen y de destino no se solapan completamente, la DA continua en la que los datos de destino llegan como un flujo, etcétera.

A continuación, consideramos el escenario menos restrictivo de la generalización de dominio (DG), como un caso extremo en el que ni los datos de destino etiquetados ni los no etiquetados están disponibles durante el entrenamiento. Por último, concluimos considerando el área emergente del aprendizaje-a-aprendizaje y cómo puede aplicarse para mejorar aún más los enfoques existentes para los problemas de aprendizaje de dominios cruzados como DA y DG.