論文の概要: Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2004.06042v1
• Date: Mon, 13 Apr 2020 16:18:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 23:54:12.214539
• Title: Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation
• Title（参考訳）: ワンショット非教師付きドメイン適応のための逆スタイルマイニング
• Authors: Yawei Luo, Ping Liu, Tao Guan, Junqing Yu, Yi Yang
• Abstract要約: One-Shot Unsupervised Domain Adaptationは、適応を学ぶ際に、ラベルなしのターゲットサンプルをひとつだけ利用できると仮定する。 従来の適応手法は、ラベル付けされていないターゲットデータの不足により失敗する傾向にある。 そこで我々は,スタイル転送モジュールとタスク固有モジュールを組み合わせた新しいアドリラルスタイルマイニング手法を提案する。
• 参考スコア（独自算出の注目度）: 43.351728923472464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We aim at the problem named One-Shot Unsupervised Domain Adaptation. Unlike traditional Unsupervised Domain Adaptation, it assumes that only one unlabeled target sample can be available when learning to adapt. This setting is realistic but more challenging, in which conventional adaptation approaches are prone to failure due to the scarce of unlabeled target data. To this end, we propose a novel Adversarial Style Mining approach, which combines the style transfer module and task-specific module into an adversarial manner. Specifically, the style transfer module iteratively searches for harder stylized images around the one-shot target sample according to the current learning state, leading the task model to explore the potential styles that are difficult to solve in the almost unseen target domain, thus boosting the adaptation performance in a data-scarce scenario. The adversarial learning framework makes the style transfer module and task-specific module benefit each other during the competition. Extensive experiments on both cross-domain classification and segmentation benchmarks verify that ASM achieves state-of-the-art adaptation performance under the challenging one-shot setting.
• Abstract（参考訳）: 我々は,one-shot unsupervised domain adaptationという問題に目を向ける。 従来のUnsupervised Domain Adaptationとは異なり、適応を学ぶ際には、ラベルなしのターゲットサンプルが1つしかないと仮定する。 この設定は現実的だがより困難であり、ラベルなしのターゲットデータの不足により、従来の適応アプローチが失敗に陥りやすい。 そこで本研究では,スタイルトランスファーモジュールとタスク固有モジュールを相反的に結合した,新たな敵対的スタイルマイニング手法を提案する。 具体的には、このスタイル転送モジュールは、現在の学習状況に応じて、ワンショットターゲットサンプルの周囲のより厳しいスタイリング画像を反復的に検索し、ほとんど目に見えないターゲットドメインで解決が難しい潜在的なスタイルを探索し、データスカースシナリオにおける適応性能を高める。 逆学習フレームワークは、競技中にスタイル転送モジュールとタスク固有のモジュールを相互に恩恵を与える。 クロスドメイン分類とセグメンテーションベンチマークの両方の広範な実験により、ASMが挑戦的なワンショット設定の下で最先端の適応性能を達成することを確認した。

関連論文リスト

• OSSA: Unsupervised One-Shot Style Adaptation [41.71187047855695]
  オブジェクト検出のための新しい教師なし領域適応手法であるOne-Shot Style Adaptation (OSSA)を導入する。 OSSAは、単一のターゲット画像から派生したスタイル統計を摂動することで、多様なターゲットスタイルを生成する。 我々は,OSSAがワンショット領域適応法において,新たな最先端技術を確立していることを示す。
  論文  参考訳（メタデータ） (2024-10-01T17:43:57Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Fast One-Stage Unsupervised Domain Adaptive Person Search [17.164485293539833]
  教師なしの人物探索は、アノテーションなしでシーンイメージのギャラリーセットから特定の対象人物をローカライズすることを目的としている。 本稿では,補完的なドメイン適応とラベル適応を統合したファストワンステージ非教師者探索(FOUS)を提案する。 Fousは、CUHK-SYSUとPRWという2つのベンチマークデータセット上で、最先端(SOTA)のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-05T07:15:47Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Target-driven One-Shot Unsupervised Domain Adaptation [42.230519460503494]
  One-Shot Unsupervised Domain Adaptation (OSUDA)は、単一の未ラベルのターゲットサンプルでターゲットドメインに適応することを目的としている。 大規模ラベル付きソースと未ラベルのターゲットデータに依存する既存のアプローチとは異なり、ターゲット駆動のワンショットUDAアプローチでは、ターゲットサンプルのスタイルによってガイドされる学習可能な拡張戦略を採用しています。 提案手法は,Digits と DomainNet ベンチマークにおいて既存の OS-UDA メソッドよりも優れているか,あるいは同等に動作する。
  論文  参考訳（メタデータ） (2023-05-08T11:10:25Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Style Mixing and Patchwise Prototypical Matching for One-Shot Unsupervised Domain Adaptive Semantic Segmentation [21.01132797297286]
  ワンショットの教師なしドメイン適応では、セグメンタはトレーニング中にラベルなしのターゲットイメージを1つしか見ることができない。 このような計算負担を効果的に軽減できるOSUDA法を提案する。 提案手法は,ドメイン適応型セマンティックセグメンテーションのための2つの一般的なベンチマーク上で,最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-09T02:47:46Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。