論文の概要: Disentanglement Then Reconstruction: Learning Compact Features for
Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2005.13947v1
- Date: Thu, 28 May 2020 12:30:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:18:59.146385
- Title: Disentanglement Then Reconstruction: Learning Compact Features for
Unsupervised Domain Adaptation
- Title（参考訳）: 絡み合いと再構成:教師なしドメイン適応のためのコンパクトな特徴の学習
- Authors: Lihua Zhou, Mao Ye, Xinpeng Li, Ce Zhu, Yiguang Liu, and Xue Li
- Abstract要約: 本稿では,プロトタイプ構築に基づく新しいドメイン適応手法を提案する。
解体と再建の2つの部分から構成される。
いくつかの公開データセットの実験結果から,本手法の最先端性能が確認された。
- 参考スコア（独自算出の注目度）: 32.71001891424084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works in domain adaptation always learn domain invariant features to
mitigate the gap between the source and target domains by adversarial methods.
The category information are not sufficiently used which causes the learned
domain invariant features are not enough discriminative. We propose a new
domain adaptation method based on prototype construction which likes capturing
data cluster centers. Specifically, it consists of two parts: disentanglement
and reconstruction. First, the domain specific features and domain invariant
features are disentangled from the original features. At the same time, the
domain prototypes and class prototypes of both domains are estimated. Then, a
reconstructor is trained by reconstructing the original features from the
disentangled domain invariant features and domain specific features. By this
reconstructor, we can construct prototypes for the original features using
class prototypes and domain prototypes correspondingly. In the end, the feature
extraction network is forced to extract features close to these prototypes. Our
contribution lies in the technical use of the reconstructor to obtain the
original feature prototypes which helps to learn compact and discriminant
features. As far as we know, this idea is proposed for the first time.
Experiment results on several public datasets confirm the state-of-the-art
performance of our method.
- Abstract（参考訳）: ドメイン適応における最近の研究は、常にドメイン不変の特徴を学習し、ソースとターゲットのドメイン間のギャップを敵法で緩和する。
カテゴリ情報は十分に使われておらず、学習された領域不変な特徴が十分に判別できない。
本稿では,データクラスタのキャプチャーを好むプロトタイプ構築に基づく新しいドメイン適応手法を提案する。
具体的には、絡み合いと再構成の2つの部分からなる。
まず、ドメイン固有の機能とドメイン不変機能は、元の機能から切り離されている。
同時に、両ドメインのドメインプロトタイプとクラスプロトタイプが推定される。
そして、不等角化領域不変特徴とドメイン固有特徴から元の特徴を再構成して再構成子を訓練する。
この再構築により、クラスプロトタイプとドメインプロトタイプを用いて、元の機能のプロトタイプを構築できる。
最終的に、特徴抽出ネットワークはこれらのプロトタイプに近い特徴を抽出せざるを得ない。
我々の貢献は、コンストラクタの技術的利用によって、コンパクトで差別的な特徴を学習するのに役立つオリジナルの特徴プロトタイプを得ることです。
私たちの知る限りでは、このアイデアは初めて提案されています。
いくつかの公開データセットにおける実験結果から,本手法の最先端性能を確認した。
関連論文リスト
- Domain Game: Disentangle Anatomical Feature for Single Domain Generalized Segmentation [9.453879758234379]
医用画像セグメンテーションのための機能ディスタングを行うために,textitDomain Game という新しいフレームワークを提案する。
ドメインゲームでは、特異音源画像から導出されるランダムに変換された画像の集合を戦略的に2つの特徴集合に符号化する。
クロスサイトテスト領域の評価の結果、前立腺のセグメンテーションが約11.8%、脳腫瘍のセグメンテーションが約10.5%向上した。
論文 参考訳（メタデータ） (2024-06-04T09:10:02Z) - Frequency Decomposition to Tap the Potential of Single Domain for
Generalization [10.555462823983122]
ドメインの一般化は、汎用人工知能の必須の特徴である。
本稿では、単一ソースドメイントレーニングサンプルにドメイン不変性を含めることができると判定した。
複数のドメインから学習する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-04-14T17:15:47Z) - Aggregation of Disentanglement: Reconsidering Domain Variations in
Domain Generalization [9.577254317971933]
ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。
本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。
また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
論文 参考訳（メタデータ） (2023-02-05T09:48:57Z) - Discriminative Radial Domain Adaptation [62.22362756424971]
本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。
このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。
提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2023-01-01T10:56:31Z) - Domain Generalization by Learning and Removing Domain-specific Features [15.061481139046952]
ドメインの一般化は、目に見えないドメインに一般化できるモデルを学ぶことでこの問題に対処することを目的としている。
ドメインの一般化のために、ドメイン固有の機能を明示的に削除することを目的とした、新しいアプローチを提案する。
学習領域固有の特徴を除去した新しい画像空間に各入力画像をマッピングするエンコーダデコーダネットワークを開発した。
論文 参考訳（メタデータ） (2022-12-14T08:46:46Z) - Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。
従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。
我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2022-07-07T07:41:32Z) - Domain Invariant Masked Autoencoders for Self-supervised Learning from
Multi-domains [73.54897096088149]
マルチドメインからの自己教師型学習のためのドメイン不変のMasked AutoEncoder (DiMAE)を提案する。
中心となる考え方は、入力画像を異なるドメインからのスタイルノイズで拡張し、拡張イメージの埋め込みからイメージを再構築することである。
PACSとDomainNetの実験は、最近の最先端の手法と比較して、DiMAEがかなりの利益を得ていることを示している。
論文 参考訳（メタデータ） (2022-05-10T09:49:40Z) - Vector-Decomposed Disentanglement for Domain-Invariant Object Detection [75.64299762397268]
ドメイン固有の表現からドメイン不変表現を取り除こうとする。
実験では,本手法を単目的,複目的のケースで評価した。
論文 参考訳（メタデータ） (2021-08-15T07:58:59Z) - 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) - 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) - 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)
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。