대조적 손실 함수를 활용한 영역 분할 모델의 도메인 강건성 개선

Q: 이 논문에서 정의한 도메인 일반화란 무엇인가?

학습 과정에서 경험하지 못한 새로운 타겟 도메인의 데이터가 입력되었을 때, 모델이 성능 저하 없이 높은 일반화 성능을 유지하며 정확한 결과를 도출하는 것을 목표로 하는 개념이다.

Q: 영역 분할 모델의 도메인 강건성을 향상시키는 핵심 방법은 무엇인가?

연구 결과, 대조적 손실 함수를 통해 인코더가 의미적인 임베딩 성질을 학습하게 함으로써 도메인 불변 표현을 획득하는 것이 효과적이다. 특히 경계 인식 샘플링을 병행하면 어려운 샘플에 집중하여 타겟 도메인에 대한 분할 성능을 더욱 높일 수 있다.

이상우; 이예진; 황상흠

추천

검색

질문

자료유형: 학술대회자료

저자정보: 이상우 (서울과학기술대학교) 이예진 (서울과학기술대학교) 황상흠 (서울과학기술대학교)

저널정보: 대한전기학회 대한전기학회 학술대회 논문집 2021년도 대한전기학회 정보 및 제어 학술대회 논문집

발행연도: 2021.10

수록면: 181 - 182 (2page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

본 논문에서는 도메인 변화에 대한 영역 분할 모델의 강건성을 개선하기 위해 대조적 손실 함수를 영역 분할 문제에 적용하는 새로운 알고리즘을 제안한다. 인코더로부터 추출된 특징 벡터를 클래스에 따라 서로 대조하는 손실 함수의 최소화 과정을 통해 임베딩 공간에서 특징 벡터들이 의미적으로 구분되는 임베딩 ... 전체 초록 보기

참고문헌

참고문헌 신청

최근 본 자료

전체보기

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)