취미가 좋다

논문 링크 Progressive Domain Expansion Network for Single Domain Generalization Lei Li, Ke Gao, Juan Cao, Ziyao Huang, Yepeng Weng, Xiaoyue Mi, Zhengze Yu, Xiaoya Li, Boyang xia CVPR 2021 Abstract Single domain generalization은 하나의 도메인에서 학습되고 unseen 도메인에서 테스트하는 과제로, model generalization 중에서 어려운 케이스이다. 이 과제를 확실하게 해결하는 방법은, 학습 도메인의 범위를 확장시켜서 도메인에 따라 변하지 않는 representation을 학습하는 것이다. 이 방법은 적절한 safety and..

논문 링크 Learning to Learn Single Domain Generalization Fengchun Qiao, Long Zhao, Xi Peng Abstract 우리는 학습시킬 수 있는 도메인은 하나인 반면, 여러 개의 새로운 도메인에서 잘 동작하는 모델을 만들고자 하는 worst-case 에서의 model generalization에 관심이 있다. 이러한 Out-of-Distrubution (OOD) 일반화 문제를 해결하기 위해 adversarial domain augmentation 이라는 새로운 방법을 제안한다. The key idea is to leverage adversarial training to create “fictitious” yet “challenging” populatio..

논문 링크 Do Adversarially Robust ImageNet Models Transfer Better? Hadi Salman, Andrew Ilyas, Logan Engstrom, Ashish Kapoor, Aleksander Madry NeurIPS 2020 transfer learning을 다룬 논문이다. transfer learning에는 feature 를 추출하는 백본과 같은 파트는 고정하여 학습할 수도 있다. 데이터의 양이 많다면 고정된 부분 없이 전체를 모두 학습할 수도 있다. 이를 각각 Fixed-Feature Transfer Learning, Full-Network Fine Tuning 이라고 한다. Transfer learning은 pre-trained model의 성능이 좋을수..

논문 링크 Bidirectional Learning for Domain Adaptation of Semantic Segmentation Yunsheng Li, Lu Yuan, Nuno Vasconcelos CVPR 2019 CyCADA 와 같이 2 step으로 이루어진다. 먼저 source domain의 이미지를 target domain으로 shift한다. 그 다음 shift 된 source image로 segmentation 모델을 학습한다. 비슷한 구성의 모델들은 image translator 의 성능이 좋지 않으면, segmentation 성능이 나쁘다는 단점이 있다. 이 논문은 이 단점을 해결하는 방법을 제시한다. 두 step 을 closed loop로 만들어서 상호 보완하여 단점을 보완한다. 두..

논문 링크 CyCADA: Cycle-Consistent Adversarial Domain Adaptation Judy Hoffman, Eric Tzeng, Taesung Park, Jun-Yan Zhu, Phillip Isola, Kate Saenko, Alexei A. Efros, Trevor Darrell 이전 ADDA 에서 Cycle GAN을 추가한 논문이다. G(S→T) 는 source image로부터 Target image를 만드는 generator이고, G(T→S)는 target image로부터 source image를 만드는 generator이다. Generator가 2개이므로, 입출력을 구별하는 Discrimitor도 2개이다. G(S→T)와 G(T→S)를 이어서 적용하여 나온 결과 값과 ..

논문 링크 Adversarial Discriminative Domain Adaptation Eric Tzeng, Judy Hoffman, Kate Saenko, Trevor Darrell 위의 순서가 논문에서 주장하는 ADDA 방식이다. 여기서 잡은 task는 글자를 인식하는 classifier이다. 점선으로 표현한 것은 파라미터를 학습하지 않는다는 의미이다. 첫 번째 단계는, 평소 하던대로 source dataset으로 source CNN과 classifier를 Pre-training 시킨다. 두 번째 단계는, source 이미지를 source CNN에 통과시킨 feature map과 target 이미지를 target CNN에 통과시킨 feature map을 discriminator가 구별하는 구조이다..