Fugu-MT 論文翻訳(概要): Adversarial Domain Adaptation with Prototype-Based Normalized Output Conditioner

論文の概要: Adversarial Domain Adaptation with Prototype-Based Normalized Output Conditioner

arxiv url: http://arxiv.org/abs/2003.13274v4
Date: Sat, 18 Dec 2021 07:30:37 GMT
ステータス: 処理完了
システム内更新日: 2022-12-18 07:53:48.383025
Title: Adversarial Domain Adaptation with Prototype-Based Normalized Output Conditioner
Title（参考訳）: プロトタイプベース正規化出力コンディショナーによる逆領域適応
Authors: Dapeng Hu, Jian Liang, Qibin Hou, Hanshu Yan, Yunpeng Chen
Abstract要約: まず、識別器の入力として出力予測を用いて特徴を予測する単純な連結条件付け戦略を再検討する。我々は、同じノルムを持つノルム予測を拡大し、連結条件を改善するとともに、導出法を正規化アウトプットディショナー(NOUN)として表現する。出力空間ではなく,プロトタイプ空間におけるクロスドメイン特徴アライメントを条件にすることを提案する。オブジェクト認識とセマンティックセグメンテーションの両方の実験により、NOUNはマルチモーダル構造を効果的に整列し、最先端のドメイン逆行訓練方法よりも優れていることが示されている。
参考スコア（独自算出の注目度）: 63.66680896910619
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we attempt to address unsupervised domain adaptation by devising simple and compact conditional domain adversarial training methods. We first revisit the simple concatenation conditioning strategy where features are concatenated with output predictions as the input of the discriminator. We find the concatenation strategy suffers from the weak conditioning strength. We further demonstrate that enlarging the norm of concatenated predictions can effectively energize the conditional domain alignment. Thus we improve concatenation conditioning by normalizing the output predictions to have the same norm of features, and term the derived method as Normalized OutpUt coNditioner~(NOUN). However, conditioning on raw output predictions for domain alignment, NOUN suffers from inaccurate predictions of the target domain. To this end, we propose to condition the cross-domain feature alignment in the prototype space rather than in the output space. Combining the novel prototype-based conditioning with NOUN, we term the enhanced method as PROtotype-based Normalized OutpUt coNditioner~(PRONOUN). Experiments on both object recognition and semantic segmentation show that NOUN can effectively align the multi-modal structures across domains and even outperform state-of-the-art domain adversarial training methods. Together with prototype-based conditioning, PRONOUN further improves the adaptation performance over NOUN on multiple object recognition benchmarks for UDA.
Abstract（参考訳）: 本研究では,単純かつコンパクトな条件付きドメイン対逆学習手法を考案し,教師なしドメイン適応に挑戦する。まず,特徴を識別器の入力として出力予測と結合する単純な連結条件付け戦略を再考する。結合戦略は条件付けの弱さに悩まされている。さらに,連結予測のノルムの拡大が条件領域アライメントを効果的に促進できることを実証する。したがって、出力予測を正規化して特徴のノルムを持つようにすることで整合条件を改善するとともに、導出法を正規化アウトプットcoNditioner~(NOUN)と呼ぶ。しかし、ドメインアライメントの生出力予測を条件にすると、NOUNはターゲットドメインの不正確な予測に悩まされる。そこで本研究では,出力空間ではなく,プロトタイプ空間におけるクロスドメイン特徴アライメントの条件を提案する。新規なプロトタイプベースコンディショニングとNOUNを組み合わせることで,プロトタイプベース正規化アウトプットcoNditioner~(PRONOUN)と呼ぶ。オブジェクト認識とセマンティックセグメンテーションの両方の実験により、NOUNはドメイン間のマルチモーダル構造を効果的に整列でき、また最先端のドメイン敵の訓練方法よりも優れていることが示された。 PRONOUNはプロトタイプベースの条件付けとともに、UDAの複数のオブジェクト認識ベンチマークにおけるNOUNに対する適応性能をさらに向上させる。

関連論文リスト

Conditional Support Alignment for Domain Adaptation with Label Shift [8.819673391477034]
アンラベルド・ドメイン適応(アンラベルド・ドメイン・アダプティブ、Unlabelled Domain adapt、UDA)とは、学習モデルを、ソース・ドメインのラベル付きサンプルと対象ドメインの教師なしサンプルに基づいて訓練するドメイン適応フレームワークである。本稿では,対象領域の特徴表現分布に対する条件対称的サポートのばらつきを最小限に抑えることを目的とした,新しい条件逆サポートアライメント(CASA)を提案する。
論文参考訳（メタデータ） (2023-05-29T05:20:18Z)
Domain Adaptation with Adversarial Training on Penultimate Activations [82.9977759320565]
教師なし領域適応(Unsupervised Domain Adaptation, UDA)の重要な目的は、ラベルなし対象データに対するモデル予測の信頼性を高めることである。我々は,この戦略が,入力画像や中間特徴に対する敵対的訓練よりも予測信頼性を高める目的と,より効率的で相関性が高いことを示す。
論文参考訳（メタデータ） (2022-08-26T19:50:46Z)
Refign: Align and Refine for Adaptation of Semantic Segmentation to Adverse Conditions [78.71745819446176]
Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。 Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
論文参考訳（メタデータ） (2022-07-14T11:30:38Z)
Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
論文参考訳（メタデータ） (2022-07-14T04:54:26Z)
Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
論文参考訳（メタデータ） (2022-02-09T05:40:34Z)
SelfReg: Self-supervised Contrastive Regularization for Domain Generalization [7.512471799525974]
対照的学習,自己教師付きコントラスト正規化(SelfReg)に基づく領域一般化のための新しい正規化手法を提案する。提案手法は正のデータペアのみを用いるため,負のペアサンプリングによって生じる様々な問題を解消する。最近のベンチマークであるDomainBedでは、提案手法は従来の最先端技術に匹敵する性能を示している。
論文参考訳（メタデータ） (2021-04-20T09:08:29Z)
Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。