مقاله اکتساب دینامیک متعادل طبقه برای تقسیم معنایی تطبیقی دامنه با استفاده از یادگیری فعال
| عنوان مقاله به انگلیسی | Class Balanced Dynamic Acquisition for Domain Adaptive Semantic Segmentation using Active Learning |
| عنوان مقاله به فارسی | مقاله اکتساب دینامیک متعادل طبقه برای تقسیم معنایی تطبیقی دامنه با استفاده از یادگیری فعال |
| نویسندگان | Marc Schachtsiek, Simone Rossi, Thomas Hannagan |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| تعداد صفحات | 0 |
| دسته بندی موضوعات | Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین , |
| توضیحات | Submitted 23 November, 2023; originally announced November 2023. , Comments: NeurIPS 2023 Workshop on Adaptive Experimental Design and Active Learning in the Real World |
| توضیحات به فارسی | ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: کارگاه Neurips 2023 در زمینه طراحی آزمایشی تطبیقی و یادگیری فعال در دنیای واقعی |
چکیده
Domain adaptive active learning is leading the charge in label-efficient training of neural networks. For semantic segmentation, state-of-the-art models jointly use two criteria of uncertainty and diversity to select training labels, combined with a pixel-wise acquisition strategy. However, we show that such methods currently suffer from a class imbalance issue which degrades their performance for larger active learning budgets. We then introduce Class Balanced Dynamic Acquisition (CBDA), a novel active learning method that mitigates this issue, especially in high-budget regimes. The more balanced labels increase minority class performance, which in turn allows the model to outperform the previous baseline by 0.6, 1.7, and 2.4 mIoU for budgets of 5%, 10%, and 20%, respectively. Additionally, the focus on minority classes leads to improvements of the minimum class performance of 0.5, 2.9, and 4.6 IoU respectively. The top-performing model even exceeds the fully supervised baseline, showing that a more balanced label than the entire ground truth can be beneficial.
چکیده به فارسی (ترجمه ماشینی)
یادگیری فعال Adaptive Adaptive منجر به بار در آموزش کارآمد برچسب شبکه های عصبی می شود.برای تقسیم معنایی ، مدل های پیشرفته به طور مشترک از دو معیار عدم اطمینان و تنوع برای انتخاب برچسب های آموزشی ، همراه با یک استراتژی دستیابی به پیکسل استفاده می کنند.با این حال ، ما نشان می دهیم که چنین روشهایی در حال حاضر از یک مسئله عدم تعادل کلاس رنج می برند که عملکرد آنها را برای بودجه یادگیری فعال بزرگتر تخریب می کند.ما سپس کلاس دستیابی به پویا (CBDA) ، یک روش یادگیری فعال جدید را معرفی می کنیم که این مسئله را به ویژه در رژیم های با بودجه بالا کاهش می دهد.برچسب های متعادل تر عملکرد کلاس اقلیت را افزایش می دهد ، که به نوبه خود به مدل اجازه می دهد تا از پایه قبلی 0.6 ، 1.7 و 2.4 MIOU برای بودجه 5 ٪ ، 10 ٪ و 20 ٪ بهتر عمل کند.علاوه بر این ، تمرکز روی کلاسهای اقلیت به ترتیب منجر به پیشرفت حداقل عملکرد کلاس 0.5 ، 2.9 و 4.6 IOU می شود.مدل برتر حتی از پایه کاملاً نظارت شده فراتر می رود ، نشان می دهد که یک برچسب متعادل تر از کل حقیقت زمین می تواند مفید باشد.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.