論文の概要: Source Free Domain Adaptation with Image Translation

• arxiv url: http://arxiv.org/abs/2008.07514v2
• Date: Sun, 16 May 2021 07:11:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 03:33:14.572970
• Title: Source Free Domain Adaptation with Image Translation
• Title（参考訳）: 画像変換を用いたソースフリードメイン適応
• Authors: Yunzhong Hou, Liang Zheng
• Abstract要約: 大規模なデータセットをリリースする努力は、プライバシと知的財産権の考慮によって損なわれる可能性がある。 実現可能な代替手段は、代わりに事前訓練されたモデルをリリースすることである。 本稿では,対象画像のスタイルを未知のソース画像に変換する画像翻訳手法を提案する。
• 参考スコア（独自算出の注目度）: 33.46614159616359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effort in releasing large-scale datasets may be compromised by privacy and intellectual property considerations. A feasible alternative is to release pre-trained models instead. While these models are strong on their original task (source domain), their performance might degrade significantly when deployed directly in a new environment (target domain), which might not contain labels for training under realistic settings. Domain adaptation (DA) is a known solution to the domain gap problem, but usually requires labeled source data. In this paper, we study the problem of source free domain adaptation (SFDA), whose distinctive feature is that the source domain only provides a pre-trained model, but no source data. Being source free adds significant challenges to DA, especially when considering that the target dataset is unlabeled. To solve the SFDA problem, we propose an image translation approach that transfers the style of target images to that of unseen source images. To this end, we align the batch-wise feature statistics of generated images to that stored in batch normalization layers of the pre-trained model. Compared with directly classifying target images, higher accuracy is obtained with these style transferred images using the pre-trained model. On several image classification datasets, we show that the above-mentioned improvements are consistent and statistically significant.
• Abstract（参考訳）: 大規模なデータセットのリリースは、プライバシと知的財産の考慮によって損なわれる可能性がある。 実現可能な選択肢は、トレーニング済みモデルをリリースすることです。 これらのモデルは元のタスク(ソースドメイン)に強く依存するが、現実的な環境でのトレーニングのためのラベルを含まない新しい環境(ターゲットドメイン)に直接デプロイすると、パフォーマンスが大幅に低下する可能性がある。 ドメイン適応(DA)はドメインギャップ問題の既知の解決策であるが、通常はラベル付きソースデータを必要とする。 本稿では,ソース領域が事前学習されたモデルのみを提供するが,ソースデータがないという特徴を持つ,ソース自由領域適応問題(sfda)について検討する。 ソースフリーであることは、特にターゲットデータセットがラベル無しであることを考えると、daに重大な課題をもたらす。 SFDAの問題を解決するために,ターゲット画像のスタイルを未知のソース画像に転送する画像翻訳手法を提案する。 そこで本研究では,生成画像のバッチ的特徴統計を,事前学習したモデルのバッチ正規化層に格納した特徴量と整合させる。 対象画像の直接分類と比較すると, 予め学習したモデルを用いて, これらのスタイル転送画像を用いて高い精度が得られる。 いくつかの画像分類データセットにおいて、上記の改善は一貫性があり統計的に有意であることを示す。

関連論文リスト

• Transcending Domains through Text-to-Image Diffusion: A Source-Free Approach to Domain Adaptation [6.649910168731417]
  ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。 本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T23:38:17Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• One-shot Unsupervised Domain Adaptation with Personalized Diffusion Models [15.590759602379517]
  ラベル付きソースドメインからターゲットドメインへのセグメンテーションモデルの適用は、ドメイン適応において最も難しい問題の1つである。 テキストと画像の拡散モデルを用いて、写真リアル画像を用いた合成ターゲットデータセットを生成する。 実験の結果,本手法は最先端OSUDA法を最大7.1%超えることがわかった。
  論文  参考訳（メタデータ） (2023-03-31T14:16:38Z)
• ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。 以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
  論文  参考訳（メタデータ） (2022-11-21T14:57:04Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。