論文の概要: Universal Domain Adaptation through Self Supervision
- arxiv url: http://arxiv.org/abs/2002.07953v3
- Date: Tue, 6 Oct 2020 03:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:02:39.705096
- Title: Universal Domain Adaptation through Self Supervision
- Title(参考訳): 自己スーパービジョンによるユニバーサルドメイン適応
- Authors: Kuniaki Saito, Donghyun Kim, Stan Sclaroff, Kate Saenko
- Abstract要約: 教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。
本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。
我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
- 参考スコア(独自算出の注目度): 75.04598763659969
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation methods traditionally assume that all source
categories are present in the target domain. In practice, little may be known
about the category overlap between the two domains. While some methods address
target settings with either partial or open-set categories, they assume that
the particular setting is known a priori. We propose a more universally
applicable domain adaptation framework that can handle arbitrary category
shift, called Domain Adaptative Neighborhood Clustering via Entropy
optimization (DANCE). DANCE combines two novel ideas: First, as we cannot fully
rely on source categories to learn features discriminative for the target, we
propose a novel neighborhood clustering technique to learn the structure of the
target domain in a self-supervised way. Second, we use entropy-based feature
alignment and rejection to align target features with the source, or reject
them as unknown categories based on their entropy. We show through extensive
experiments that DANCE outperforms baselines across open-set, open-partial and
partial domain adaptation settings. Implementation is available at
https://github.com/VisionLearningGroup/DANCE.
- Abstract(参考訳): 教師なしドメイン適応メソッドは伝統的にすべてのソースカテゴリがターゲットドメインに存在すると仮定する。
実際には、2つのドメイン間のカテゴリの重なりについてはほとんど知られていない。
いくつかのメソッドは、部分的またはオープンセットのカテゴリでターゲット設定を扱うが、特定の設定が優先的であると仮定する。
本稿では,任意のカテゴリシフトを処理可能な,エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。
まず、ターゲットに対して識別可能な特徴を学習するために、ソースカテゴリに完全に依存できないため、自己組織化された方法でターゲットドメインの構造を学習するための新しい近隣クラスタリング手法を提案する。
第2に、エントロピーに基づく機能アライメントと拒否を使用して、ターゲット機能をソースにアライメントするか、あるいはエントロピーに基づいて未知のカテゴリとして拒絶する。
我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
実装はhttps://github.com/VisionLearningGroup/DANCEで確認できる。
関連論文リスト
- Discriminative Radial Domain Adaptation [62.22362756424971]
本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。
このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。
提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
論文 参考訳(メタデータ) (2023-01-01T10:56:31Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:38:37Z) - Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。
本稿では,この問題に対するドメイン適応的アプローチを提案する。
提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2021-12-09T08:57:01Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳(メタデータ) (2021-06-10T06:32:30Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Vicinal and categorical domain adaptation [43.707303372718336]
ドメインレベルとカテゴリレベルでの敵対的トレーニングの新たな損失を提案します。
本稿では,2つのドメインからそれぞれ対のインスタンスの凸結合によってインスタンスが生成されるビジナルドメインの概念を提案する。
論文 参考訳(メタデータ) (2021-03-05T03:47:24Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-15T11:36:21Z) - Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。
クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
論文 参考訳(メタデータ) (2020-06-11T16:19:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。