論文の概要: Generalized Zero-Shot Domain Adaptation via Coupled Conditional
Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2008.01214v1
- Date: Mon, 3 Aug 2020 21:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 05:38:31.589238
- Title: Generalized Zero-Shot Domain Adaptation via Coupled Conditional
Variational Autoencoders
- Title（参考訳）: 結合条件変分オートエンコーダによる一般化ゼロショット領域適応
- Authors: Qian Wang, Toby P. Breckon
- Abstract要約: 本研究では,新しい条件結合型変分自動エンコーダ(CCVAE)を提案する。
航空セキュリティにおける現実の応用をシミュレートするために、X線セキュリティチェックポイントデータセットを含む3つのドメイン適応データセットで実験が行われた。
- 参考スコア（独自算出の注目度）: 23.18781318003242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation approaches aim to exploit useful information from the
source domain where supervised learning examples are easier to obtain to
address a learning problem in the target domain where there is no or limited
availability of such examples. In classification problems, domain adaptation
has been studied under varying supervised, unsupervised and semi-supervised
conditions. However, a common situation when the labelled samples are available
for a subset of target domain classes has been overlooked. In this paper, we
formulate this particular domain adaptation problem within a generalized
zero-shot learning framework by treating the labelled source domain samples as
semantic representations for zero-shot learning. For this particular problem,
neither conventional domain adaptation approaches nor zero-shot learning
algorithms directly apply. To address this generalized zero-shot domain
adaptation problem, we present a novel Coupled Conditional Variational
Autoencoder (CCVAE) which can generate synthetic target domain features for
unseen classes from their source domain counterparts. Extensive experiments
have been conducted on three domain adaptation datasets including a bespoke
X-ray security checkpoint dataset to simulate a real-world application in
aviation security. The results demonstrate the effectiveness of our proposed
approach both against established benchmarks and in terms of real-world
applicability.
- Abstract（参考訳）: ドメイン適応アプローチは、教師付き学習例が入手し易いソースドメインから有用な情報を活用することを目的としており、そのような例が利用可能あるいは限定されていないターゲットドメインの学習問題に対処する。
分類問題において、ドメイン適応は様々な教師付き、教師なし、および半教師付き条件下で研究されている。
しかしながら、ラベル付きサンプルがターゲットドメインクラスのサブセットで利用可能になった場合の一般的な状況は見過ごされている。
本稿では、ゼロショット学習のための意味表現としてラベル付きソースドメインサンプルを扱い、この特定の領域適応問題を一般化ゼロショット学習フレームワーク内で定式化する。
この問題に対して、従来のドメイン適応アプローチやゼロショット学習アルゴリズムは直接適用されない。
この一般化されたゼロショット領域適応問題に対処するために、未確認クラスのための合成対象ドメイン特徴をソースドメインから生成できる、結合条件変分自動エンコーダ(CCVAE)を提案する。
航空セキュリティにおける実世界の応用をシミュレートするx線セキュリティチェックポイントデータセットを含む、3つのドメイン適応データセットに関する広範な実験が行われた。
その結果,既存のベンチマークと実世界の適用性の両方の観点から提案手法の有効性が示された。
関連論文リスト
- Complementary Domain Adaptation and Generalization for Unsupervised
Continual Domain Shift Learning [4.921899151930171]
教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。
本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。
我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
論文 参考訳（メタデータ） (2023-03-28T09:05:15Z) - Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。
オープンセットドメイン適応(OSDA)は、この制限に対処する。
そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-10T14:11:09Z) - 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) - Joint Distribution Alignment via Adversarial Learning for Domain
Adaptive Object Detection [11.262560426527818]
教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。
近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。
上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
論文 参考訳（メタデータ） (2021-09-19T00:27:08Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳（メタデータ） (2021-04-03T01:33:14Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応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） (2021-03-25T14:33:33Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - Learning causal representations for robust domain adaptation [31.261956776418618]
多くの現実世界のアプリケーションでは、ターゲットのドメインデータが常に利用できるとは限らない。
本稿では,学習段階において対象ドメインデータが利用できない場合について検討する。
本稿では,深層オートエンコーダと因果構造学習を統一モデルに統合したCausal AutoEncoder (CAE)を提案する。
論文 参考訳（メタデータ） (2020-11-12T11:24:03Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-10-09T15:42:35Z) - Enlarging Discriminative Power by Adding an Extra Class in Unsupervised
Domain Adaptation [5.377369521932011]
新たに人工的なクラスを追加し、新しいクラスのGAN生成サンプルとともにデータ上でモデルをトレーニングする。
私たちのアイデアは、DANN、VADA、DIRT-Tといった既存のメソッドと互換性がある、非常に一般的なものです。
論文 参考訳（メタデータ） (2020-02-19T07:58:24Z)
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。