論文の概要: Deep Residual Correction Network for Partial Domain Adaptation
- arxiv url: http://arxiv.org/abs/2004.04914v1
- Date: Fri, 10 Apr 2020 06:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 21:02:50.279507
- Title: Deep Residual Correction Network for Partial Domain Adaptation
- Title（参考訳）: 部分領域適応のための深部残差補正ネットワーク
- Authors: Shuang Li, Chi Harold Liu, Qiuxia Lin, Qi Wen, Limin Su, Gao Huang,
Zhengming Ding
- Abstract要約: ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。
本稿では,効率よく実装された深部残留補正網を提案する。
部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
- 参考スコア（独自算出の注目度）: 79.27753273651747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep domain adaptation methods have achieved appealing performance by
learning transferable representations from a well-labeled source domain to a
different but related unlabeled target domain. Most existing works assume
source and target data share the identical label space, which is often
difficult to be satisfied in many real-world applications. With the emergence
of big data, there is a more practical scenario called partial domain
adaptation, where we are always accessible to a more large-scale source domain
while working on a relative small-scale target domain. In this case, the
conventional domain adaptation assumption should be relaxed, and the target
label space tends to be a subset of the source label space. Intuitively,
reinforcing the positive effects of the most relevant source subclasses and
reducing the negative impacts of irrelevant source subclasses are of vital
importance to address partial domain adaptation challenge. This paper proposes
an efficiently-implemented Deep Residual Correction Network (DRCN) by plugging
one residual block into the source network along with the task-specific feature
layer, which effectively enhances the adaptation from source to target and
explicitly weakens the influence from the irrelevant source classes.
Specifically, the plugged residual block, which consists of several
fully-connected layers, could deepen basic network and boost its feature
representation capability correspondingly. Moreover, we design a weighted
class-wise domain alignment loss to couple two domains by matching the feature
distributions of shared classes between source and target. Comprehensive
experiments on partial, traditional and fine-grained cross-domain visual
recognition demonstrate that DRCN is superior to the competitive deep domain
adaptation approaches.
- Abstract（参考訳）: ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。
ほとんどの既存の著作物では、ソースとターゲットのデータは同じラベル空間を共有しており、現実のアプリケーションでは満足できないことが多い。
ビッグデータの出現とともに、部分的ドメイン適応と呼ばれるより実用的なシナリオがあり、比較的小規模のターゲットドメインに取り組んでいる間、私たちは常により大規模なソースドメインにアクセスできます。
この場合、従来の領域適応仮定は緩和され、ターゲットラベル空間はソースラベル空間のサブセットとなる傾向にある。
直感的には、最も関連するソースサブクラスのポジティブな効果を補強し、無関係なソースサブクラスのネガティブな影響を減らすことは、部分的なドメイン適応問題に対処する上で非常に重要である。
本稿では,ソースからターゲットへの適応を効果的に向上し,無関係なソースクラスの影響を明示的に弱めるタスク特有の特徴層とともに,ソースネットワークに1つの残差ブロックを接続することにより,効率的に実装した深部残差補正ネットワーク(drcn)を提案する。
具体的には、複数の完全接続層からなるプラグ付き残差ブロックは、基本的なネットワークを深くし、その機能表現能力を高めることができる。
さらに、ソースとターゲット間の共有クラスの特徴分布を一致させて、2つのドメインを結合する重み付きクラスワイドドメインアライメント損失を設計する。
部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
関連論文リスト
- Reducing Source-Private Bias in Extreme Universal Domain Adaptation [11.875619863954238]
Universal Domain Adaptation (UniDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。
我々は、ソースドメインが重複するクラスよりもはるかに重複しないクラスを持つ場合、最先端のメソッドが苦労していることを示す。
対象データの構造を保存するために,自己教師付き学習を提案する。
論文 参考訳（メタデータ） (2024-10-15T04:51:37Z) - From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。
近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。
本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文 参考訳（メタデータ） (2022-03-14T07:02:45Z) - Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。
本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。
私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
論文 参考訳（メタデータ） (2021-10-13T04:12:27Z) - Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。
本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。
私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
論文 参考訳（メタデータ） (2021-08-02T15:24:40Z) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳（メタデータ） (2020-08-19T17:41:37Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-03-04T23:25:09Z)
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。