Fugu-MT 論文翻訳(概要): Virtual Adversarial Training in Feature Space to Improve Unsupervised Video Domain Adaptation

論文の概要: Virtual Adversarial Training in Feature Space to Improve Unsupervised Video Domain Adaptation

arxiv url: http://arxiv.org/abs/2008.08369v1
Date: Wed, 19 Aug 2020 10:30:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 11:59:10.694550
Title: Virtual Adversarial Training in Feature Space to Improve Unsupervised Video Domain Adaptation
Title（参考訳）: 教師なしビデオ領域適応改善のための特徴空間における仮想的対立訓練
Authors: Artjoms Gorpincenko, Geoffrey French, Michal Mackiewicz
Abstract要約: ドメイン適応における教師によるエントロピー最小化と決定境界反復精錬訓練の不安定な振る舞いについて論じる。上記のテクニックをアートモデルTA$3$Nの状態に追加することで、競争結果を維持するか、複数の教師なしビデオのドメイン適応タスクで先行技術を上回るパフォーマンスを得ることができる。
参考スコア（独自算出の注目度）: 2.3376061255029064
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Virtual Adversarial Training has recently seen a lot of success in semi-supervised learning, as well as unsupervised Domain Adaptation. However, so far it has been used on input samples in the pixel space, whereas we propose to apply it directly to feature vectors. We also discuss the unstable behaviour of entropy minimization and Decision-Boundary Iterative Refinement Training With a Teacher in Domain Adaptation, and suggest substitutes that achieve similar behaviour. By adding the aforementioned techniques to the state of the art model TA$^3$N, we either maintain competitive results or outperform prior art in multiple unsupervised video Domain Adaptation tasks
Abstract（参考訳）: Virtual Adversarial Trainingは最近、半教師付き学習や教師なしのドメイン適応で多くの成功を収めている。しかし,これまでは画素空間の入力サンプルとして使用されてきたが,特徴ベクトルに直接適用することを提案する。また,ドメイン適応の教師を伴って,エントロピーの最小化と決定境界反復精錬訓練の不安定な振る舞いについても論じ,同様の振る舞いを実現する代替案を提案する。前述のテクニックをアートモデルTA$3$Nの状態に追加することにより、複数の教師なしビデオドメイン適応タスクにおいて、競争結果を維持するか、先行技術より優れているかのどちらかを達成できる。

関連論文リスト

Unsupervised Video Domain Adaptation with Masked Pre-Training and Collaborative Self-Training [32.257816070522885]
画像教師モデルを用いて,映像学生モデルを対象領域に適応させる。 UNITEは、まず自己教師付き事前訓練を使用して、ターゲットのドメインビデオ上で差別的特徴学習を促進する。次に,ビデオ学生モデルとイメージ教師モデルを用いて,マスク付き対象データを用いた自己学習を行い,未ラベル対象ビデオのための改良された擬似ラベルを生成する。
論文参考訳（メタデータ） (2023-12-05T17:39:19Z)
AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection [28.22783703278792]
特徴抽出器の対角訓練を容易にするための正則化器としての適応画像再構成(AIR) ドメインシフトに挑戦するいくつかのデータセットにまたがって評価を行った結果,提案手法が従来の手法よりも優れていたことが判明した。
論文参考訳（メタデータ） (2023-03-27T16:51:51Z)
Unsupervised Domain Adaptation for Video Transformers in Action Recognition [76.31442702219461]
ビデオ行動認識のためのシンプルで斬新なUDA手法を提案する。私たちのアプローチでは、ターゲットドメインをより一般化した堅牢なソースモデルを構築しています。 UDAのための2つのビデオアクションベンチマークの認識結果について報告する。
論文参考訳（メタデータ） (2022-07-26T12:17:39Z)
Domain Adversarial Training: A Game Perspective [80.3821370633883]
本稿では,ゲーム理論の観点から,ドメイン・アドバイザ・トレーニングにおける最適解を定義する。ドメイン・アドバイザリ・トレーニングにおける降下は、グラデーションの収束保証に違反し、しばしば転送性能を損なう可能性があることを示す。実装は簡単で、追加のパラメータが不要で、あらゆるドメイン・アドバイザリ・フレームワークにプラグインすることができます。
論文参考訳（メタデータ） (2022-02-10T22:17:30Z)
Contrast and Mix: Temporal Contrastive Video Domain Adaptation with Background Mixing [55.73722120043086]
Contrast and Mix(CoMix)は、教師なしビデオドメイン適応のための識別的不変な特徴表現を学習することを目的とした、新しいコントラスト学習フレームワークである。まず,2つの異なる速度でラベル付きビデオの符号化表現の類似性を最大化することにより,時間的コントラスト学習を用いてドメインギャップをブリッジする。第2に,両ドメイン間で共有されるアクションセマンティクスを活用するために,アンカー毎の肯定的な追加を可能にするバックグラウンドミキシングを用いることにより,時間的コントラスト損失の新たな拡張を提案する。
論文参考訳（メタデータ） (2021-10-28T14:03:29Z)
Unsupervised Domain Adaptation for Video Semantic Segmentation [91.30558794056054]
セマンティックセグメンテーションのための教師なしドメイン適応は、シミュレーションからリアルに知識を伝達できるため、大きな人気を集めている。本研究では,ビデオセマンティック・アプローチのための教師なし領域適応という,このタスクの新たなビデオ拡張について述べる。提案手法は,画像レベル (mIoU) と映像レベル (VPQ) の両方において,従来の画像ベースUDA手法よりも有意に優れていた。
論文参考訳（メタデータ） (2021-07-23T07:18:20Z)
DAVOS: Semi-Supervised Video Object Segmentation via Adversarial Domain Adaptation [2.9407987406005263]
ドメインシフトは常にビデオオブジェクトセグメンテーション(VOS)の主要な問題のひとつです。本稿では, VOSタスクに対向領域適応を導入することで, ドメインシフトに対処する新しい手法を提案する。 DAVIS2016では,教師付きトレーニング後のIoUスコアが82.6%であった。
論文参考訳（メタデータ） (2021-05-21T08:23:51Z)
Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
論文参考訳（メタデータ） (2021-04-22T13:39:12Z)
Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-03-23T04:10:42Z)
Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。