論文の概要: Label Propagation with Augmented Anchors: A Simple Semi-Supervised Learning baseline for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2007.07695v1
• Date: Wed, 15 Jul 2020 14:09:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 05:02:13.911340
• Title: Label Propagation with Augmented Anchors: A Simple Semi-Supervised Learning baseline for Unsupervised Domain Adaptation
• Title（参考訳）: 拡張アンカーを用いたラベル伝搬:教師なしドメイン適応のための半教師付き学習ベースライン
• Authors: Yabin Zhang, Bin Deng, Kui Jia and Lei Zhang
• Abstract要約: 本研究では,UDAのためのSSL技術の適切な拡張について検討する。 LP を UDA に適用する際の課題を分析し,親和性グラフ/行列構成の条件を理論的に解析する。 実験により、このような単純なSSL拡張は、ドメイン不変の機能学習のUDAメソッドよりも改善されていることが示された。
• 参考スコア（独自算出の注目度）: 44.388751924238655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivated by the problem relatedness between unsupervised domain adaptation (UDA) and semi-supervised learning (SSL), many state-of-the-art UDA methods adopt SSL principles (e.g., the cluster assumption) as their learning ingredients. However, they tend to overlook the very domain-shift nature of UDA. In this work, we take a step further to study the proper extensions of SSL techniques for UDA. Taking the algorithm of label propagation (LP) as an example, we analyze the challenges of adopting LP to UDA and theoretically analyze the conditions of affinity graph/matrix construction in order to achieve better propagation of true labels to unlabeled instances. Our analysis suggests a new algorithm of Label Propagation with Augmented Anchors (A$^2$LP), which could potentially improve LP via generation of unlabeled virtual instances (i.e., the augmented anchors) with high-confidence label predictions. To make the proposed A$^2$LP useful for UDA, we propose empirical schemes to generate such virtual instances. The proposed schemes also tackle the domain-shift challenge of UDA by alternating between pseudo labeling via A$^2$LP and domain-invariant feature learning. Experiments show that such a simple SSL extension improves over representative UDA methods of domain-invariant feature learning, and could empower two state-of-the-art methods on benchmark UDA datasets. Our results show the value of further investigation on SSL techniques for UDA problems.
• Abstract（参考訳）: 教師なしドメイン適応(UDA)と半教師付き学習(SSL)の問題点に触発された多くの最先端UDAメソッドは、SSL原則(例えばクラスタ仮定)を学習要素として採用している。 しかし、彼らは UDA のドメインシフトの性質を無視する傾向があります。 本研究では,UDAのためのSSL技術の適切な拡張について検討する。 ラベル伝播のアルゴリズム(lp)を例として,lpをudaに適用することの課題を分析し,理論的にアフィニティグラフ/マトリックス構成の条件を解析し,ラベルなしインスタンスへの真のラベルの伝播を改善する。 このアルゴリズムは, ラベル付き仮想インスタンス(すなわち, アンカー)を高信頼なラベル予測で生成することで, LPを改善する可能性がある。 提案したA$^2$LPをUDAに役立てるために,このような仮想インスタンスを生成する経験的スキームを提案する。 提案手法は、A$^2$LPによる擬似ラベリングとドメイン不変の特徴学習を交互に組み合わせることで、UDAのドメインシフト問題にも対処する。 実験により、このような単純なSSL拡張は、ドメイン不変の機能学習のUDAメソッドよりも改善され、UDAデータセットのベンチマークで2つの最先端メソッドが強化されることが示された。 以上の結果から, UDA問題に対するSSL手法のさらなる検討の価値が示唆された。

関連論文リスト

• Semi-supervised Domain Adaptive Medical Image Segmentation through Consistency Regularized Disentangled Contrastive Learning [11.049672162852733]
  本研究では,医用画像分割のための半教師付き領域適応法(SSDA)について検討した。 本稿では,2段階の学習プロセスを提案する。まず,新しいドメイン・コンテント・ディコンタングル・コントラスト学習(CL)と画素レベルの特徴整合性制約を用いて,自己学習パラダイムでエンコーダを事前学習する。 提案手法がUDA設定で容易に拡張可能であることを実験的に検証し、提案手法の優位性を高める。
  論文  参考訳（メタデータ） (2023-07-06T06:13:22Z)
• CAusal and collaborative proxy-tasKs lEarning for Semi-Supervised Domain Adaptation [20.589323508870592]
  半教師付きドメイン適応(SSDA)は、ソースドメインデータとラベル付きターゲットサンプルを効果的に活用することにより、学習者を新しいドメインに適応させる。 提案手法は,SSDAデータセットの有効性と汎用性の観点から,SOTA法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-30T16:48:28Z)
• Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment [58.56087979262192]
  Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルの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。 OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。 ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
  論文  参考訳（メタデータ） (2023-03-08T05:55:02Z)
• Hard-aware Instance Adaptive Self-training for Unsupervised Cross-domain Semantic Segmentation [18.807921765977415]
  セマンティックセグメンテーションの課題に対して,UDAのための適応型自己学習フレームワークを提案する。 我々は,インスタンス適応セレクタを用いた新しい擬似ラベル生成戦略を開発した。 GTA5からCityscapesへ、SynTHIAからCityscapesへ、そしてCityscapesからOxford RobotCarへの実験は、我々のアプローチの優れた性能を実証した。
  論文  参考訳（メタデータ） (2023-02-14T11:52:26Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Semi-supervised Models are Strong Unsupervised Domain Adaptation Learners [48.415097698361045]
  非教師付きドメイン適応(UDA)と半教師付き学習(SSL)は、機械学習における高価な手動アノテーションを減らすための典型的な2つの戦略である。 UDAとSSLはタスクの目的とソリューションに関して密接に関連しています。 最先端のSSLメソッドは、DomainNetの挑戦的なUDAベンチマークにおいて、既存のUDAメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-06-01T11:59:48Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• ESL: Entropy-guided Self-supervised Learning for Domain Adaptation in Semantic Segmentation [35.03150829133562]
  より正確な擬似ラベルを生成するための信頼性指標としてエントロピーを利用したエントロピー誘導型自己教師学習を提案する。 異なるUDAベンチマークでは、ESLは強いSSLベースラインを一貫して上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-15T18:10:09Z)

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。