引用
私は最近、また、一般的な方向をタップし続けることができ、他の方向の検出を標的見るとデータオブジェクト検出から開始することで、例えば、オブジェクトが隠さ検出小さな顔検出などの物体検出難しいサンプル、またはによるデータサンプルの不足のアルゴリズム。ここで、著者は説明小さなサンプル（いくつかのショットを）データの指示の下で、ドメイン適応（ドメイン適応）シンガポール＆Huawei社ノアの箱舟研究所論文のこの国立大学、検出アルゴリズムをターゲット「少数-SHOTの適応高速化R-CNN 「それが中に含まれていたCVPR2019我々は（ペアでペアリングサンプリングをサンプリングを使用することができ、シナリオは我々はサンプル車でわずか数霧嵐非常に悪い気象条件を通常の一般的なシーンで車のターゲット検出を持っているということである特定の問題を解決するために、 ）メソッドは、ソース領域（ソース領域）通常シーン車で、すなわちサンプル\（Car_ {S} \）とターゲットドメイン（標的ドメイン）、すなわち車は過酷な天候サンプル（Car_ {T} \）\のペア\ （（Car_s、Car_t）\）陰性サンプルからなる、一方の対は、ソース領域サンプルNからなる\（（Car_s、Car_s）\）、GANアーキテクチャを使用して、ディスクリミネータ（弁別）陽性および陰性試料を区別するように異なる、即ち、ソースとターゲットドメインのサンプルを区別するために、ジェネレータ（発電機）が識別器を混同しようとする試みです。これは、このアルゴリズムの主な考え方である、主なアイデアは、目標検出へのアプリケーションドメインを適合させることです。
：給紙が完全に開いていない、唯一の公式レポ見つけるためにhttps://github.com/twangnh/FAFRCNNを
考えます
ネットワーク設計および機能の喪失に特定の記事を設計する前に、我々は考える問題を取ることができます。
- 構造GAN、使用データサンプル\を（Car_s \）陽性サンプルとして、\（Car_t \）陰性試料としては、ディスクリミネータ（弁別）がなぜここドの組成物に、サンプルソースとターゲットドメインを区別することであってもよいですトレーニング？
アルゴリズムの設計
ターゲット検出タスクでは、著者へのドメイン適応二つのレベル：
-
- イメージレベルドメイン適応
-
- 適応レベルドメインの例
我々次FIG2全体の画像フィールドのマイグレーションレベルにおける画像領域の移行の第一及び第三の行は個々のピクセルで構成され、インスタンス・レベルのドメインの移行は、車領域サンプルの移動です。
イメージレベルドメイン適応
画像レベルドメイン適応（画像レベルの適応が）、紙提案画像間変換を完了することである（SP）プーリング分割練習も非常に簡単であり、この方法は、役割がランダムにグリッドを配置することで、グリッドのセルの幅これは、高さをh、wがあり、その後、ランダムに位置SX及びSYを調整するために記載SXのXYグリッドを生成します。
グリッドを取得した後、紙とグリッドが速くR-CNN、アンカーボックスとして選択されたスケール比の三三種類の採取、抽出された特徴に対応するスプリットプール\（F（x）は\）も大（Lであります）、中（M）、小（S）、3種類のスケール：\（sp_l（F（X））、sp_m（F（X））、sp_s（F（X））\） 。
バックジェネレータと戦闘訓練を介して識別器を訓練するが、サンプルので、ここで一対のトレーニングモード、すなわち、ターゲット・ドメイン・データの小さなサンプル、提示されることができるソースドメイン\（G_ {S_1} = { （g_s、g_s）} \）とソースドメイン-ターゲット・ドメイン上で\（S_2 G_ {} = {（g_S、G_T）} \） 。弁別器は、サンプルのソースを決定し、発電装置の特徴抽出は、対象識別器を混乱されています。
\ [G_s \ SIM sp_kf（X_s ）、G_T \ SIM sp_k（F（X_T））、K = \ {L、M、S \} \]
\ [L_ {SP_ {SD}} = - \ mathbb {E} _ {X \シム{G_ {S1}}} [のlogD ^ {sp_s}（X）] - \ mathbb {E} _ {X \シム{ G_ {S2}}} [（1-D ^ {sp_s}（X））をログ] \]
\ [L_ {im_d} = L_
{SP_ {SD}} + L_ {SP_ {MD}} + L_ {SP_ {LD}} \] 3 GAN、実用上とさらに紙アダプテーションフィールドレベル画像私は方法を知っています。
この記事では、週に再編集することがツイートの全文を表示して行くことになるでしょう。
