論文の概要: Gradually Vanishing Bridge for Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2003.13183v1
• Date: Mon, 30 Mar 2020 01:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 07:46:07.172817
• Title: Gradually Vanishing Bridge for Adversarial Domain Adaptation
• Title（参考訳）: 逆行性ドメイン適応のための逐次消滅ブリッジ
• Authors: Shuhao Cui, Shuhui Wang, Junbao Zhuo, Chi Su, Qingming Huang, Qi Tian
• Abstract要約: 我々は,ジェネレータと判別器の両方にGVB(Gradually Vanishing Bridge)機構を併用した対向領域適応を行う。 ジェネレータでは、GVBは全体の転送困難を軽減できるだけでなく、残留ドメイン固有の特性の影響を低減できる。 判別器では、GVBは識別能力を高め、敵の訓練過程のバランスをとることに寄与する。
• 参考スコア（独自算出の注目度）: 156.46378041408192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In unsupervised domain adaptation, rich domain-specific characteristics bring great challenge to learn domain-invariant representations. However, domain discrepancy is considered to be directly minimized in existing solutions, which is difficult to achieve in practice. Some methods alleviate the difficulty by explicitly modeling domain-invariant and domain-specific parts in the representations, but the adverse influence of the explicit construction lies in the residual domain-specific characteristics in the constructed domain-invariant representations. In this paper, we equip adversarial domain adaptation with Gradually Vanishing Bridge (GVB) mechanism on both generator and discriminator. On the generator, GVB could not only reduce the overall transfer difficulty, but also reduce the influence of the residual domain-specific characteristics in domain-invariant representations. On the discriminator, GVB contributes to enhance the discriminating ability, and balance the adversarial training process. Experiments on three challenging datasets show that our GVB methods outperform strong competitors, and cooperate well with other adversarial methods. The code is available at https://github.com/cuishuhao/GVB.
• Abstract（参考訳）: 教師なしドメイン適応では、リッチなドメイン固有の特性はドメイン不変表現を学ぶための大きな課題をもたらす。 しかし、ドメインの不一致は既存のソリューションで直接最小化されると考えられており、実際は達成が難しい。 いくつかの方法は、表現におけるドメイン不変部分とドメイン固有部分を明確にモデル化することで困難を緩和するが、明示的構成の悪影響は、構築されたドメイン不変表現における残留ドメイン固有特性にある。 本稿では,ジェネレータと判別器の両方に,徐々に消失するブリッジ (gvb) 機構を付加した逆領域適応を行う。 ジェネレータでは、GVBは全体の転送困難を軽減できるだけでなく、ドメイン不変表現における残留ドメイン固有の特性の影響を低減できる。 判別器では、GVBは識別能力を高め、敵の訓練過程のバランスをとることに寄与する。 3つの挑戦的なデータセットに関する実験は、gvbメソッドが強力な競合相手を上回っており、他の競合メソッドとうまく連携していることを示している。 コードはhttps://github.com/cuishuhao/gvbで入手できる。

関連論文リスト

• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection [28.22783703278792]
  特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR) ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
  論文  参考訳（メタデータ） (2023-03-27T16:51:51Z)
• Rethinking Domain Generalization for Face Anti-spoofing: Separability and Alignment [35.67771212285966]
  本研究は,画像の解像度,ぼやけ度,センサの変動といった領域ギャップに対する対面アンチ・スプーフィング(FAS)モデルの一般化問題について検討する。 我々は、不変リスク最小化(IRM)の問題として、分離性と整合性(SA-FAS)のこのFAS戦略を定式化する。 ドメイン間FASデータセットに対するSA-FASの有効性を実証し、最先端の性能を確立する。
  論文  参考訳（メタデータ） (2023-03-23T20:34:27Z)
• Enhanced Separable Disentanglement for Unsupervised Domain Adaptation [6.942003070153651]
  ドメイン適応は、既存のラベル付きドメインから新しいドメインに知識を移す際のドメインギャップを軽減することを目的としています。 既存のアンタングルメントベースのメソッドは、ドメイン不変性とドメイン固有の特徴の分離を完全に考慮していない。 本稿では,新たに拡張された分離不能な絡み合いモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-22T16:50:53Z)
• Invariant Information Bottleneck for Domain Generalization [39.62337297660974]
  本稿では,学習領域やテスト領域で不変な最小限の表現を学習するアルゴリズムを提案する。 表現と入力間の相互情報の最小化により、IIBは擬似不変性への依存を緩和する。 その結果、IIBは2つの評価指標に対して平均2.8%と3.8%の精度で不変学習ベースライン(例えばIRM)より優れていた。
  論文  参考訳（メタデータ） (2021-06-11T12:12:40Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Re-energizing Domain Discriminator with Sample Relabeling for Adversarial Domain Adaptation [88.86865069583149]
  Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。 本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。 RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
  論文  参考訳（メタデータ） (2021-03-22T08:32:55Z)
• Heuristic Domain Adaptation [105.59792285047536]
  Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
  論文  参考訳（メタデータ） (2020-11-30T04:21:35Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。