메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Jongmin Lee (Chung-Ang University) Seongjin Jeong (Chung-Ang University) Jongwon Choi (Chung-Ang University)
저널정보
중앙대학교 영상콘텐츠융합연구소MINT Moving Image & Technology (MINT) MINT: Moving Image & Technology, Vol.2, No.2
발행연도
2022.5
수록면
14 - 18 (5page)
DOI
10.15323/mint.2022.5.2.2.14

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Existing deep learning requires a significant amount of training data to adapt to new testing environments. Furthermore, to compose significant amount of information of the training data, the architecture of deep learning becomes complicated with the necessity of an enlarged model size. To address these challenges, we propose a novel framework to utilize simulated images for real-world applications to reduce the labeling cost for real images. However, because these simulated images have significant discrepancies from images collected in the field, such as resolution, texture, and focal length issues, it is challenging to learn meaningful representations from these simulated images. Unsupervised domain adaptation (UDA) has been employed to overcome this challenge; however, previous UDA methods require a large computational complexity to reduce the gap between the simulated and real images. To address this issue, we integrate the UDA scheme with network compression, and obtain a deep learning model adapted to real images with compressed computation. We perform experiments using the VISDA-2017 benchmark dataset, which validates the effectiveness of the integrated framework in real domains.
#Unsupervised Domain adaptation #Network pruning #Transfer learning

목차

Abstract
1. Introduction
2. Related Works
3. Framework
4. Experimental Results
5. Conclusion
References

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Motion Data Editing and Augmentation Method by Using the Motion-Sphere’s Trajectory
Jae Yeong Ryu ,  Bha ,  atesh Chak 외 7명 Moving Image & Technology (MINT) 2021 .12
Sign Language Recognition Based on Autoencoder with Learning Prototypes
Se Jong Pyo ,  Tae Yong Kim Moving Image & Technology (MINT) 2021 .12

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2022-688-001637741