論文の概要: Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain
Adaptation
- arxiv url: http://arxiv.org/abs/2009.05228v1
- Date: Fri, 11 Sep 2020 04:36:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 21:35:14.786824
- Title: Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain
Adaptation
- Title(参考訳): ゼロショット領域適応のための条件結合型生成逆数ネットワーク
- Authors: Jinghua Wang and Jianmin Jiang
- Abstract要約: あるドメインでトレーニングされた機械学習モデルは、ドメインシフトが存在するため、他のドメインではうまく機能しない。
本研究では,CoGANを条件付きモデルに拡張することにより,条件付き生成逆数ネットワーク(CoCoGAN)を提案する。
提案したCoCoGANは,2つの異なるタスク,すなわち関連タスク (RT) と非関連タスク (IRT) で二重ドメインサンプルの連成分布を捉えることができる。
- 参考スコア(独自算出の注目度): 31.334196673143257
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models trained in one domain perform poorly in the other
domains due to the existence of domain shift. Domain adaptation techniques
solve this problem by training transferable models from the label-rich source
domain to the label-scarce target domain. Unfortunately, a majority of the
existing domain adaptation techniques rely on the availability of target-domain
data, and thus limit their applications to a small community across few
computer vision problems. In this paper, we tackle the challenging zero-shot
domain adaptation (ZSDA) problem, where target-domain data is non-available in
the training stage. For this purpose, we propose conditional coupled generative
adversarial networks (CoCoGAN) by extending the coupled generative adversarial
networks (CoGAN) into a conditioning model. Compared with the existing state of
the arts, our proposed CoCoGAN is able to capture the joint distribution of
dual-domain samples in two different tasks, i.e. the relevant task (RT) and an
irrelevant task (IRT). We train CoCoGAN with both source-domain samples in RT
and dual-domain samples in IRT to complete the domain adaptation. While the
former provide high-level concepts of the non-available target-domain data, the
latter carry the sharing correlation between the two domains in RT and IRT. To
train CoCoGAN in the absence of target-domain data for RT, we propose a new
supervisory signal, i.e. the alignment between representations across tasks.
Extensive experiments carried out demonstrate that our proposed CoCoGAN
outperforms existing state of the arts in image classifications.
- Abstract(参考訳): あるドメインでトレーニングされた機械学習モデルは、ドメインシフトが存在するため、他のドメインではパフォーマンスが悪い。
ドメイン適応手法は、ラベルリッチソースドメインからラベルスカルスターゲットドメインへの転送可能なモデルをトレーニングすることでこの問題を解決します。
残念なことに、既存のドメイン適応技術のほとんどはターゲットドメインデータの可用性に依存しており、その結果、少数のコンピュータビジョン問題にまたがる小さなコミュニティにアプリケーションを制限している。
本稿では,訓練段階では対象領域データが利用できない,ゼロショット領域適応(zsda)問題に取り組む。
本研究では,条件付き結合生成逆ネットワーク (cocogan) を条件付きモデルに拡張し,条件付き結合生成逆ネットワーク (cogan) を提案する。
既存の技術と比較すると,提案するCoCoGANは2つの異なるタスク,すなわち関連するタスク (RT) と無関係タスク (IRT) で二重ドメインサンプルの同時分布を捉えることができる。
RTのソースドメインサンプルとIRTのデュアルドメインサンプルの両方でCoCoGANをトレーニングし、ドメイン適応を完了します。
前者は利用できないターゲットドメインデータの高レベルな概念を提供するが、後者はRTとIRTの2つのドメイン間の共有相関を持つ。
RTのターゲットドメインデータがない場合、CoCoGANをトレーニングするために、タスク間の表現のアライメントという新しい監視信号を提案する。
大規模な実験により,提案したCoCoGANは,画像分類における既存の芸術状況よりも優れていた。
関連論文リスト
- Controlled Generation of Unseen Faults for Partial and OpenSet&Partial
Domain Adaptation [0.0]
新たな運用条件は、トレーニングとテストデータ分布のドメインギャップによって、障害診断モデルのパフォーマンスが低下する可能性がある。
本稿では、Wasserstein GANをベースとした、部分的およびOpenSet&Partialドメイン適応のための新しいフレームワークを提案する。
主なコントリビューションは、制御されたフォールトデータ生成であり、ターゲットドメインで観測されていないフォールトタイプと重大度レベルを生成することができる。
論文 参考訳(メタデータ) (2022-04-29T13:05:25Z) - Co-Teaching for Unsupervised Domain Adaptation and Expansion [12.455364571022576]
Unsupervised Domain Adaptation (UDA)は基本的に、ターゲットドメインのパフォーマンスを改善するために、ソースドメインでモデルのパフォーマンスを交換する。
UDEは、UDAのようにターゲットドメインにモデルを適応させようとするが、その間には、そのソースドメインのパフォーマンスを維持している。
UDAとUDEの両方の設定では、与えられたドメインに合わせたモデル(ソースまたはターゲットドメイン)が、与えられたドメインからのサンプルをうまく処理すると仮定される。
我々はこの発見を生かし、コ・ティーチング(CT)を提案する。
論文 参考訳(メタデータ) (2022-04-04T02:34:26Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳(メタデータ) (2021-06-10T06:32:30Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-15T11:36:21Z) - Adversarial Learning for Zero-shot Domain Adaptation [31.334196673143257]
ゼロショットドメイン適応は、データサンプルもラベルもターゲットドメインでのパラメータ学習には使用できない問題である。
本稿では,非関係なタスクから関心のあるタスクへのドメインシフトを移譲することで,ZSDAの新たな手法を提案する。
提案手法をベンチマークデータセット上で評価し,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-09-11T03:41:32Z) - 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) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳(メタデータ) (2020-05-14T04:23:24Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳(メタデータ) (2020-02-12T09:45:39Z)
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。