Fugu-MT 論文翻訳(概要): Unsupervised Domain Adaptation by Uncertain Feature Alignment

論文の概要: Unsupervised Domain Adaptation by Uncertain Feature Alignment

arxiv url: http://arxiv.org/abs/2009.06483v1
Date: Mon, 14 Sep 2020 14:42:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 12:33:59.501507
Title: Unsupervised Domain Adaptation by Uncertain Feature Alignment
Title（参考訳）: 不確実な特徴アライメントによる教師なしドメイン適応
Authors: Tobias Ringwald, Rainer Stiefelhagen
Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt、UDA)は、ラベル付きデータからラベル付きターゲットドメインへのモデル適応を扱う。本稿では,モデル固有の予測の不確実性を利用して,ドメイン適応タスクを実現する。
参考スコア（独自算出の注目度）: 29.402619219254074
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Unsupervised domain adaptation (UDA) deals with the adaptation of models from a given source domain with labeled data to an unlabeled target domain. In this paper, we utilize the inherent prediction uncertainty of a model to accomplish the domain adaptation task. The uncertainty is measured by Monte-Carlo dropout and used for our proposed Uncertainty-based Filtering and Feature Alignment (UFAL) that combines an Uncertain Feature Loss (UFL) function and an Uncertainty-Based Filtering (UBF) approach for alignment of features in Euclidean space. Our method surpasses recently proposed architectures and achieves state-of-the-art results on multiple challenging datasets. Code is available on the project website.
Abstract（参考訳）: 教師なしドメイン適応(unsupervised domain adaptation, uda)は、与えられたソースドメインからラベルなしのターゲットドメインへのモデル適応を扱う。本稿では,モデル固有の予測の不確実性を利用して,ドメイン適応タスクを実現する。この不確実性はモンテカルロのドロップアウトによって測定され、ユークリッド空間における特徴のアライメントのための不確かさに基づくフィルタと特徴アライメント(UFAL)関数と不確かさに基づくフィルタ(UBF)を組み合わせて提案した。提案手法は,最近提案されたアーキテクチャを上回り,複数の難題データセットで最先端の結果を得る。コードはプロジェクトのWebサイトで入手できる。

関連論文リスト

Towards Source-free Domain Adaptive Semantic Segmentation via Importance-aware and Prototype-contrast Learning [26.544837987747766]
本稿では、Importance-Aware と Prototype-Contrast Learning を用いた、エンドツーエンドのソースフリードメイン適応セマンティックセマンティックセマンティクス手法を提案する。提案したIAPCフレームワークは、訓練済みソースモデルからドメイン不変知識を効果的に抽出し、ラベルなしターゲットドメインからドメイン固有知識を学習する。
論文参考訳（メタデータ） (2023-06-02T15:09:19Z)
Unsupervised Domain Adaptation Based on the Predictive Uncertainty of Models [1.6498361958317636]
非教師付きドメイン適応(UDA)は、ソースドメインからの分散シフトの下で、ターゲットドメインの予測性能を改善することを目的としている。ドメインの発散を最小限に抑えるドメイン不変の特徴を学習する新しいUDA法を提案する。
論文参考訳（メタデータ） (2022-11-16T12:23:32Z)
Feature Alignment by Uncertainty and Self-Training for Source-Free Unsupervised Domain Adaptation [1.6498361958317636]
ほとんどの教師なし領域適応(UDA)手法は、ラベル付きソースイメージがモデル適応中に利用できると仮定する。本稿では,事前学習したソースモデルと未ラベルのターゲット画像のみを用いる,ソースフリーなUDA手法を提案する。本手法は,データ拡張を取り入れ,特徴発生器を2つの整合性目標で訓練することにより,アレータリックな不確実性を捕捉する。
論文参考訳（メタデータ） (2022-08-31T14:28:36Z)
Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文参考訳（メタデータ） (2022-08-16T08:03:30Z)
Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文参考訳（メタデータ） (2022-07-30T08:05:35Z)
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)
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)
Certainty Volume Prediction for Unsupervised Domain Adaptation [35.984559137218504]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベルなしのターゲットドメインデータを分類する問題を扱う。特徴空間における多変量ガウス分布としての不確かさをモデル化する新しい不確実性対応領域適応構成を提案する。提案したパイプラインを、挑戦的なUDAデータセットに基づいて評価し、最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-03T11:22:55Z)
UBR$^2$S: Uncertainty-Based Resampling and Reweighting Strategy for Unsupervised Domain Adaptation [35.984559137218504]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、モデルがラベルなしのターゲットドメインに適応する過程を扱う。 UBR$2$S - Uncertainty-Based Resampling and Reweighting Strategyを提案する。
論文参考訳（メタデータ） (2021-10-22T12:18:40Z)
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。