論文の概要: Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2007.13264v1
• Date: Mon, 27 Jul 2020 01:21:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 08:20:24.782624
• Title: Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なしドメイン適応のためのタスク指向不整合表現の学習
• Authors: Pingyang Dai, Peixian Chen, Qiong Wu, Xiaopeng Hong, Qixiang Ye, Qi Tian, Rongrong Ji
• Abstract要約: Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
• 参考スコア（独自算出の注目度）: 165.61511788237485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to address the domain-shift problem between a labeled source domain and an unlabeled target domain. Many efforts have been made to address the mismatch between the distributions of training and testing data, but unfortunately, they ignore the task-oriented information across domains and are inflexible to perform well in complicated open-set scenarios. Many efforts have been made to eliminate the mismatch between the distributions of training and testing data by learning domain-invariant representations. However, the learned representations are usually not task-oriented, i.e., being class-discriminative and domain-transferable simultaneously. This drawback limits the flexibility of UDA in complicated open-set tasks where no labels are shared between domains. In this paper, we break the concept of task-orientation into task-relevance and task-irrelevance, and propose a dynamic task-oriented disentangling network (DTDN) to learn disentangled representations in an end-to-end fashion for UDA. The dynamic disentangling network effectively disentangles data representations into two components: the task-relevant ones embedding critical information associated with the task across domains, and the task-irrelevant ones with the remaining non-transferable or disturbing information. These two components are regularized by a group of task-specific objective functions across domains. Such regularization explicitly encourages disentangling and avoids the use of generative models or decoders. Experiments in complicated, open-set scenarios (retrieval tasks) and empirical benchmarks (classification tasks) demonstrate that the proposed method captures rich disentangled information and achieves superior performance.
• Abstract（参考訳）: unsupervised domain adaptation (uda) はラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 トレーニングとテストデータの分散のミスマッチに対処するために多くの努力がなされているが、残念ながら彼らはドメイン間のタスク指向の情報を無視しており、複雑なオープンセットシナリオではうまく機能しない。 ドメイン不変表現を学習することにより、トレーニングとテストデータの分布のミスマッチを排除するために多くの努力がなされている。 しかし、学習された表現は通常タスク指向ではない。 この欠点は、ドメイン間でラベルが共有されない複雑なオープンセットタスクにおいて、UDAの柔軟性を制限する。 本稿では,タスク指向性の概念をタスク関連性とタスク非依存に分解し,動的タスク指向型アンタングルネットワーク(DTDN)を提案する。 動的ディエンタングリングネットワークは、データ表現を、ドメイン間でタスクに関連する重要な情報を埋め込んだタスク関連と、残りの非参照や乱雑な情報を含むタスク関連とに効果的に分離する。 これら2つのコンポーネントは、ドメイン間のタスク固有の目的関数のグループによって正規化される。 このような正規化は明確に分離を奨励し、生成モデルやデコーダの使用を避ける。 複雑なオープンセットシナリオ(リトライバルタスク)と経験的ベンチマーク(クラス化タスク)の実験は、提案手法が豊富な異種情報を取り込んで優れた性能を達成することを実証する。

関連論文リスト

• Zero-shot domain adaptation based on dual-level mix and contrast [8.225819874406238]
  本稿では,タスクバイアスの低い領域不変な特徴を学習するための新しいZSDA手法を提案する。 実験の結果,提案手法はいくつかのベンチマークで良好な性能を示した。
  論文  参考訳（メタデータ） (2024-06-27T08:37:26Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Learning with Style: Continual Semantic Segmentation Across Tasks and Domains [25.137859989323537]
  ドメイン適応とクラス増分学習はドメインとタスクの変数を別々に扱います。 我々は、入力空間とラベル空間のセマンティックシフトを考慮して、問題の両面に一緒に取り組みます。 提案手法は,タスクシフトとドメインシフトの両方で連続的なセマンティックセグメンテーションを扱うのに不十分であることを示す既存手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-13T13:24:34Z)
• Deep Unsupervised Domain Adaptation: A Review of Recent Advances and Perspectives [16.68091981866261]
  対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。 UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-08-15T20:05:07Z)
• Task-specific Inconsistency Alignment for Domain Adaptive Object Detection [38.027790951157705]
  大量のラベル付きデータでトレーニングされた検出器は、データ分散ギャップのある特定のシナリオで劇的なパフォーマンス劣化を示すことが多い。 本稿では,タスク固有の不整合アライメント(TIA)を提案する。 TIAは,従来の最先端手法よりも,様々なシナリオにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2022-03-29T08:36:33Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Self-Taught Cross-Domain Few-Shot Learning with Weakly Supervised Object Localization and Task-Decomposition [84.24343796075316]
  本稿では,クロスドメインなFew-Shot学習のためのタスク拡張分解フレームワークを提案する。 提案した自己学習(ST)アプローチは,タスク指向距離空間を構築することで,非目標誘導の問題を軽減する。 CUB、カーズ、Places、Planae、CropDieases、EuroSAT、ISIC、ChestXの8つのドメインを含むクロスドメイン環境で実験を行う。
  論文  参考訳（メタデータ） (2021-09-03T04:23:07Z)
• Learning Cascaded Detection Tasks with Weakly-Supervised Domain Adaptation [44.420874740728095]
  本稿では,カスケード検出タスクの構造を利用した弱教師付きドメイン適応設定を提案する。 特に、2Dバウンディングボックスを両方のドメインの弱いラベルとして活用しながら、ソースドメインからのみ属性を推測することを学ぶ。 実験の結果,提案手法は完全教師付き設定と競合する一方で,教師なし適応手法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2021-07-09T16:18:12Z)
• Deep Co-Training with Task Decomposition for Semi-Supervised Domain Adaptation [80.55236691733506]
  半教師付きドメイン適応(SSDA)は、ラベル付きソースドメインからトレーニングされたモデルを、異なるが関連するターゲットドメインに適応させることを目的としている。 本稿では,SSDAタスクを対象ドメイン内の半教師付き学習(SSL)タスクと,ドメイン間の非教師付きドメイン適応(UDA)タスクの2つのサブタスクに明示的に分解することを提案する。
  論文  参考訳（メタデータ） (2020-07-24T17:57:54Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。