論文の概要: CSCL: Critical Semantic-Consistent Learning for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2008.10464v1
• Date: Mon, 24 Aug 2020 14:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 12:09:22.725317
• Title: CSCL: Critical Semantic-Consistent Learning for Unsupervised Domain Adaptation
• Title（参考訳）: CSCL:教師なしドメイン適応のためのクリティカルセマンティック一貫性学習
• Authors: Jiahua Dong, Yang Cong, Gan Sun, Yuyang Liu, Xiaowei Xu
• Abstract要約: 本稿では,ドメインワイド分布とカテゴリワイド分布の相違を緩和する,新しいクリティカルセマンティック・一貫性学習モデルを提案する。 具体的には、伝達不能な知識を無視しながら、伝達可能なドメインに関する知識を強調するために、クリティカルトランスファーベースの敵対的フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 42.226842513334184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation without consuming annotation process for unlabeled target data attracts appealing interests in semantic segmentation. However, 1) existing methods neglect that not all semantic representations across domains are transferable, which cripples domain-wise transfer with untransferable knowledge; 2) they fail to narrow category-wise distribution shift due to category-agnostic feature alignment. To address above challenges, we develop a new Critical Semantic-Consistent Learning (CSCL) model, which mitigates the discrepancy of both domain-wise and category-wise distributions. Specifically, a critical transfer based adversarial framework is designed to highlight transferable domain-wise knowledge while neglecting untransferable knowledge. Transferability-critic guides transferability-quantizer to maximize positive transfer gain under reinforcement learning manner, although negative transfer of untransferable knowledge occurs. Meanwhile, with the help of confidence-guided pseudo labels generator of target samples, a symmetric soft divergence loss is presented to explore inter-class relationships and facilitate category-wise distribution alignment. Experiments on several datasets demonstrate the superiority of our model.
• Abstract（参考訳）: ラベルなしのターゲットデータのアノテーションプロセスを使用しない教師なしドメイン適応は、意味セグメンテーションにおいて魅力的な関心を集めている。 しかし、 1) 既存の手法では,ドメイン間のすべての意味表現が転送可能ではないことを無視する。 2)カテゴリー別特徴アライメントによりカテゴリー別分布シフトを狭めることができない。 上記の課題に対処するため,ドメインワイド分布とカテゴリワイド分布の相違を緩和するCSCL(Critical Semantic-Consistent Learning)モデルを開発した。 具体的には、伝達不能な知識を無視しながら、伝達可能なドメインに関する知識を強調するために、クリティカルトランスファーベースの敵対的フレームワークを設計する。 transferability-critic guides transferability-quantizerは強化学習方法で正の転送利得を最大化する。 一方、ターゲットサンプルの信頼誘導擬似ラベル生成の助けを借りて、クラス間の関係を探究し、カテゴリーごとの分布アライメントを促進するために対称なソフトな分散損失を示す。 いくつかのデータセットの実験は、我々のモデルの優位性を実証している。

関連論文リスト

• Crucial Semantic Classifier-based Adversarial Learning for Unsupervised Domain Adaptation [4.6899218408452885]
  Unsupervised Domain Adaptation (UDA) は、十分にラベル付けされたソースドメインから関連するラベル付けされていないターゲットドメインへの転送可能性を探ることを目的としている。 本稿では,CSCAL(Crucial Semantic-based Adrial Learning)を提案する。 CSCALは、レギュレータとして様々なUDAメソッドに強制的にマージでき、その性能を劇的に向上させることができる。
  論文  参考訳（メタデータ） (2023-02-03T13:06:14Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連する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ます。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Unsupervised Transfer Learning with Self-Supervised Remedy [60.315835711438936]
  手動ラベルのない新しいドメインにディープネットワークを一般化することは、ディープラーニングにとって難しい。 事前学習された知識は、学習されたドメインや新しいドメインについて強い仮定をしなければ、うまく伝達しない。 本研究は,ラベル付き関連ドメインからの知識伝達により,新規ドメインにおける未ラベル対象データの識別潜在空間を学習することを目的とする。
  論文  参考訳（メタデータ） (2020-06-08T16:42:17Z)
• Continuous Transfer Learning with Label-informed Distribution Alignment [42.34180707803632]
  時間発展ターゲット領域を持つ新しい連続移動学習環境について検討する。 連続移動学習に関連する大きな課題の1つは、負転移の発生の可能性である。 本稿では,TransLATE という汎用逆変分自動エンコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-05T04:44:58Z)
• Learning transferable and discriminative features for unsupervised domain adaptation [6.37626180021317]
  教師なしのドメイン適応は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を移すことで、この課題を克服することができる。 本稿では,これら2つの目的を同時に最適化するために,教師なしドメイン適応(Learning)のためのテキスト学習トランスフェラブルと識別機能と呼ばれる新しい手法を提案する。 5つの実世界のデータセットを用いて総合実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-26T03:15:09Z)

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。