論文の概要: Adversarial Consistent Learning on Partial Domain Adaptation of PlantCLEF 2020 Challenge

• arxiv url: http://arxiv.org/abs/2009.09289v1
• Date: Sat, 19 Sep 2020 19:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:38:23.702043
• Title: Adversarial Consistent Learning on Partial Domain Adaptation of PlantCLEF 2020 Challenge
• Title（参考訳）: PlantCLEF 2020 チャレンジにおける部分領域適応の逆整合学習
• Authors: Youshan Zhang and Brian D. Davison
• Abstract要約: 我々は、部分的ドメイン適応のための統合された深層アーキテクチャにおいて、逆一貫した学習(ACL$)を開発する。 ソースドメインの分類損失、逆学習損失、特徴整合損失からなる。 2つのドメインの共有カテゴリは、ソースドメインの無関係なカテゴリを低重み付けすることで見つける。
• 参考スコア（独自算出の注目度）: 26.016647703500883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation is one of the most crucial techniques to mitigate the domain shift problem, which exists when transferring knowledge from an abundant labeled sourced domain to a target domain with few or no labels. Partial domain adaptation addresses the scenario when target categories are only a subset of source categories. In this paper, to enable the efficient representation of cross-domain plant images, we first extract deep features from pre-trained models and then develop adversarial consistent learning ($ACL$) in a unified deep architecture for partial domain adaptation. It consists of source domain classification loss, adversarial learning loss, and feature consistency loss. Adversarial learning loss can maintain domain-invariant features between the source and target domains. Moreover, feature consistency loss can preserve the fine-grained feature transition between two domains. We also find the shared categories of two domains via down-weighting the irrelevant categories in the source domain. Experimental results demonstrate that training features from NASNetLarge model with proposed $ACL$ architecture yields promising results on the PlantCLEF 2020 Challenge.
• Abstract（参考訳）: ドメイン適応は、豊富なラベル付きソースドメインからラベルのないターゲットドメインに知識を転送する際に存在するドメインシフト問題を緩和する最も重要なテクニックの1つである。 部分的なドメイン適応は、ターゲットカテゴリがソースカテゴリのサブセットである場合のシナリオに対処する。 本稿では,クロスドメイン植物画像の効率的な表現を可能にするために,まず事前学習したモデルから深い特徴を抽出し,部分的ドメイン適応のための統合深層アーキテクチャで逆一貫性学習(acl$)を開発する。 ソースドメインの分類損失、逆学習損失、特徴一貫性損失で構成される。 逆学習損失は、ソースとターゲットドメイン間のドメイン不変の機能を維持することができる。 さらに、特徴整合性損失は2つのドメイン間のきめ細かい特徴遷移を保存することができる。 また、ソースドメイン内の無関係なカテゴリを低重み付けすることで、2つのドメインの共有カテゴリを見つけます。 実験の結果,NASNetLargeモデルから提案された$ACL$アーキテクチャによるトレーニング機能がPlantCLEF 2020 Challengeで有望な結果をもたらすことが示された。

関連論文リスト

• Data-Efficient CLIP-Powered Dual-Branch Networks for Source-Free Unsupervised Domain Adaptation [4.7589762171821715]
  Source-free Unsupervised Domain Adaptation (SF-UDA) は、ソースサンプルに直接アクセスすることなく、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にモデルのパフォーマンスを転送することを目的としている。 データ効率のよいCLIP方式のデュアルブランチネットワーク(CDBN)を導入し、限られたソースデータとプライバシの問題に対処する。 CDBNは、7つのデータセット上の31の転送タスクにわたる既存のメソッドよりもはるかに少ないソースドメインサンプルで、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-10-21T09:25:49Z)
• Cross-domain Transfer of defect features in technical domains based on partial target data [0.0]
  多くの技術的ドメインでは、不十分に表現されているのは欠陥やデファクトクラスのみである。 提案手法は,CNNエンコーダをベースとして,そのような条件に対処する。 技術的および非技術的領域でベンチマークされ、合理的な分類結果を示す。
  論文  参考訳（メタデータ） (2022-11-24T15:23:58Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中の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知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Vicinal and categorical domain adaptation [43.707303372718336]
  ドメインレベルとカテゴリレベルでの敵対的トレーニングの新たな損失を提案します。 本稿では,2つのドメインからそれぞれ対のインスタンスの凸結合によってインスタンスが生成されるビジナルドメインの概念を提案する。
  論文  参考訳（メタデータ） (2021-03-05T03:47:24Z)
• 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)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。