論文の概要: Unsupervised Domain Adaptation Through Transferring both the Source-Knowledge and Target-Relatedness Simultaneously

• arxiv url: http://arxiv.org/abs/2003.08051v3
• Date: Fri, 24 Dec 2021 11:32:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 09:31:08.539065
• Title: Unsupervised Domain Adaptation Through Transferring both the Source-Knowledge and Target-Relatedness Simultaneously
• Title（参考訳）: ソース知識とターゲット関連性を同時に伝達する非教師なしドメイン適応
• Authors: Qing Tian, Yanan Zhu, Chuang Ma, Meng Cao
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、機械学習とパターン認識の分野における新たな研究トピックである。 ソースドメインから知識を転送することで、ラベルのないターゲットドメインの学習を支援することを目的としています。
• 参考スコア（独自算出の注目度）: 16.569154681060642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) is an emerging research topic in the field of machine learning and pattern recognition, which aims to help the learning of unlabeled target domain by transferring knowledge from the source domain.
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、機械学習とパターン認識の分野における新たな研究トピックであり、ソースドメインから知識を伝達することで、ラベルなしのターゲットドメインの学習を支援することを目的としている。

関連論文リスト

• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Meta-causal Learning for Single Domain Generalization [102.53303707563612]
  単一ドメインの一般化は、単一のトレーニングドメイン(ソースドメイン)からモデルを学び、それを複数の未確認テストドメイン(ターゲットドメイン)に適用することを目的としている。 既存の方法は、ターゲットドメインをカバーするためのトレーニングドメインの配布拡大に重点を置いているが、ソースとターゲットドメイン間のドメインシフトを見積もることはできない。 そこで本研究では,まず,対象ドメインとして補助ドメインを構築することによってドメインシフトをシミュレートし,ドメインシフトの原因を解析し,最終的にモデル適応のためのドメインシフトを低減する,新たな学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-07T15:46:38Z)
• Crucial Semantic Classifier-based Adversarial Learning for Unsupervised Domain Adaptation [4.6899218408452885]
  Unsupervised Domain Adaptation (UDA) は、十分にラベル付けされたソースドメインから関連するラベル付けされていないターゲットドメインへの転送可能性を探ることを目的としている。 本稿では,CSCAL(Crucial Semantic-based Adrial Learning)を提案する。 CSCALは、レギュレータとして様々なUDAメソッドに強制的にマージでき、その性能を劇的に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-03T13:06:14Z)
• Target-Relevant Knowledge Preservation for Multi-Source Domain Adaptive Object Detection [47.705590047138685]
  ドメイン適応オブジェクト検出(DAOD)は、新しいシーンでの検出器の性能低下を軽減するための有望な方法である。 本稿では,教師なしマルチソースDに対して,ターゲット関連知識保存(TRKP)という新たなアプローチを提案する。 TRKPは、マルチヘッドの教師ネットワークを構築し、ラベル付きソースドメインから知識を抽出する。 教師ネットワークは、対象領域におけるオブジェクト検出を指導する際のドメインシフトを減少させるため、目標関連知識を捕捉するために強制される。
  論文  参考訳（メタデータ） (2022-04-17T09:50:48Z)
• Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
  我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。 ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:56:26Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• ConDA: Unsupervised Domain Adaptation for LiDAR Segmentation via Regularized Domain Concatenation [10.65673380743972]
  ConDAは、LiDARセグメンテーションのための結合ベースのドメイン適応フレームワークである。 本稿では, エイリアスや偽ラベルによる負の効果を低減するために, アンチエイリアス・レギュレータとエントロピー・アグリゲータを提案する。
  論文  参考訳（メタデータ） (2021-11-30T09:53:24Z)
• Preserving Semantic Consistency in Unsupervised Domain Adaptation Using Generative Adversarial Networks [33.84004077585957]
  SCGAN (End-to-end novel consistent generation adversarial Network) を提案する。 このネットワークは、機能レベルでセマンティック情報をキャプチャすることで、ソースからターゲットドメインマッチングを実現できます。 本稿では,教師なしドメイン適応設定における最先端性能を超える提案手法の頑健性を示す。
  論文  参考訳（メタデータ） (2021-04-28T12:23:30Z)
• Unsupervised Cross-domain Image Classification by Distance Metric Guided Feature Alignment [11.74643883335152]
  教師なしドメイン適応は、ソースドメインからターゲットドメインに知識を転送する有望な道である。 本稿では,距離メトリックガイド機能アライメント(MetFA)を提案する。 我々のモデルは、クラス分布アライメントを統合して、ソースドメインからターゲットドメインにセマンティック知識を転送します。
  論文  参考訳（メタデータ） (2020-08-19T13:36:57Z)
• Unsupervised Transfer Learning with Self-Supervised Remedy [60.315835711438936]
  手動ラベルのない新しいドメインにディープネットワークを一般化することは、ディープラーニングにとって難しい。 事前学習された知識は、学習されたドメインや新しいドメインについて強い仮定をしなければ、うまく伝達しない。 本研究は,ラベル付き関連ドメインからの知識伝達により,新規ドメインにおける未ラベル対象データの識別潜在空間を学習することを目的とする。
  論文  参考訳（メタデータ） (2020-06-08T16:42:17Z)

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。