Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Visual Domain Adaptation in the Deep Learning Era
Contenu du livre :
La résolution de problèmes à l'aide de réseaux neuronaux profonds repose généralement sur des quantités massives de données d'entraînement étiquetées afin d'obtenir des performances élevées. Bien que dans de nombreuses situations, d'énormes volumes de données non étiquetées puissent être générés et soient souvent disponibles, le coût d'acquisition des étiquettes de données reste élevé.
L'apprentissage par transfert (TL), et en particulier l'adaptation au domaine (DA), est apparu comme une solution efficace pour surmonter le fardeau de l'annotation, en exploitant les données non étiquetées disponibles dans le domaine cible avec des données étiquetées ou des modèles pré-entraînés provenant de domaines sources similaires, mais différents. L'objectif de ce livre est de fournir une vue d'ensemble de ces méthodes DA/TL appliquées à la vision par ordinateur, un domaine dont la popularité a augmenté de manière significative au cours des dernières années. Nous préparons le terrain en revisitant le contexte théorique et certaines des méthodes historiques peu profondes avant de discuter et de comparer différentes stratégies d'adaptation de domaine qui exploitent les architectures profondes pour la reconnaissance visuelle.
Nous présentons l'espace des méthodes basées sur l'auto-apprentissage qui s'inspirent des domaines connexes de l'apprentissage semi-supervisé et auto-supervisé profond pour résoudre l'adaptation au domaine profond. Au-delà du problème classique de l'adaptation de domaine, nous explorons ensuite l'espace riche des paramètres de problèmes qui se posent lors de l'application de l'adaptation de domaine dans la pratique, tels que l'AD partielle ou ouverte, où les catégories de données source et cible ne se chevauchent pas complètement, l'AD continue où les données cible arrivent sous forme de flux, et ainsi de suite.
Nous examinons ensuite le cadre le moins restrictif de la généralisation de domaine (DG), en tant que cas extrême où aucune donnée cible étiquetée ou non étiquetée n'est disponible pendant la formation. Enfin, nous terminons en examinant le domaine émergent de l'apprentissage par apprentissage et la manière dont il peut être appliqué pour améliorer les approches existantes des problèmes d'apprentissage inter-domaines tels que l'apprentissage par généralisation et l'apprentissage par généralisation.
Autres informations sur le livre :
| ISBN : | 9781636393414 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2022 |
| Nombre de pages : | 190 |
Achat:
Actuellement disponible, en stock.
