GENERIERUNG VON SZENENGRAPHEN FÜR UNMARKIERTE DATEN

Es werden Techniken zum Trainieren und Verwenden von Szenengraphen-Generatoren für das Transferlernen vorgestellt. Eine Technik zur Generierung von Szenengraphen kann eine Domäne in einzelne Arten von Diskrepanzen zerlegen, die sich z.B. auf Erscheinungslücken, Markierungen und Vorhersagediskrepanzen beziehen können. Diese Diskrepanzen können zumindest teilweise reduziert werden, indem die entsprechenden latenten und Ausgabe-Verteilungen unter Verwendung einer oder mehrerer Gradientenumkehrschichten (GRLs) angeglichen werden. Diskrepanzen bei der Markierung können unter Verwendung von Pseudo-Selbststatistiken, die aus Zieldaten gesammelt werden, behoben werden. Auf Pseudostatistiken basierende Selbstlern- und Adversarialtechniken können verwendet werden, um diese Diskrepanzen zu bewältigen, ohne dass eine kostspielige Überwachung anhand eines realen Datensatzes erforderlich ist. Approaches are presented for training and using scene graph generators for transfer learning. A scene graph generation technique can decompose a domain gap into individual types of discrepancies, such as may relate to appearance, label, and prediction discrepancies. These discrepancies can be reduced, at least in part, by aligning the corresponding latent and output distributions using one or more gradient reversal layers (GRLs). Label discrepancies can be addressed using self-pseudo-statistics collected from target data. Pseudo statistic-based self-learning and adversarial techniques can be used to manage these discrepancies without the need for costly supervision from a real-world dataset.