論文の概要: Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance

• arxiv url: http://arxiv.org/abs/2010.05696v1
• Date: Fri, 9 Oct 2020 02:32:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 06:08:18.293633
• Title: Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance
• Title（参考訳）: 多層継手カーネル化距離に基づく深層ドメイン適応
• Authors: Sitong Mao, Jiaxin Chen, Xiao Shen, Fu-lai Chung
• Abstract要約: ドメイン適応とは、ソースデータから学習したモデルを対象データに適用する学習シナリオを指す。 ソースデータとターゲットデータとの分布差は、適応性能に大きく影響する。 多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。
• 参考スコア（独自算出の注目度）: 30.452492118887182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation refers to the learning scenario that a model learned from the source data is applied on the target data which have the same categories but different distribution. While it has been widely applied, the distribution discrepancy between source data and target data can substantially affect the adaptation performance. The problem has been recently addressed by employing adversarial learning and distinctive adaptation performance has been reported. In this paper, a deep adversarial domain adaptation model based on a multi-layer joint kernelized distance metric is proposed. By utilizing the abstract features extracted from deep networks, the multi-layer joint kernelized distance (MJKD) between the $j$th target data predicted as the $m$th category and all the source data of the $m'$th category is computed. Base on MJKD, a class-balanced selection strategy is utilized in each category to select target data that are most likely to be classified correctly and treat them as labeled data using their pseudo labels. Then an adversarial architecture is used to draw the newly generated labeled training data and the remaining target data close to each other. In this way, the target data itself provide valuable information to enhance the domain adaptation. An analysis of the proposed method is also given and the experimental results demonstrate that the proposed method can achieve a better performance than a number of state-of-the-art methods.
• Abstract（参考訳）: ドメイン適応(Domain adapt)とは、ソースデータから学習したモデルを、同じカテゴリだが異なる分布を持つターゲットデータに適用する学習シナリオを指す。 広く適用されているが、ソースデータとターゲットデータとの分布差は適応性能に大きく影響する。 近年,敵対的学習と特徴的適応性を用いてこの問題に対処している。 本稿では,多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。 ディープネットワークから抽出した抽象的特徴を利用して、$m$thカテゴリとして予測される$j$th目標データと$m'$thカテゴリのすべてのソースデータとの間の多層合同カーネル化距離(mjkd)を算出する。 MJKDに基づいて、各カテゴリでクラスバランスの選択戦略を使用して、最も正しく分類される可能性が高いターゲットデータを選択し、それらの擬似ラベルを用いてラベル付きデータとして扱う。 そして、敵アーキテクチャを用いて、新たに生成されたラベル付きトレーニングデータと残りのターゲットデータとを互いに近接させる。 このようにして、ターゲットデータ自体がドメイン適応性を高めるために貴重な情報を提供する。 また, 提案手法の解析を行い, 実験結果から, 提案手法が多くの最先端手法よりも優れた性能が得られることを示した。

関連論文リスト

• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Multi-Source Soft Pseudo-Label Learning with Domain Similarity-based Weighting for Semantic Segmentation [2.127049691404299]
  本稿では,複数のソースデータセットを用いたセマンティックセグメンテーションのためのドメイン適応トレーニング手法について述べる。 複数のソースモデルから予測対象確率を統合することで,ソフトな擬似ラベル生成手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T05:20:36Z)
• Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
  対象データの識別クラスタリングとしてドメイン適応問題を再検討する。 本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。 5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
  論文  参考訳（メタデータ） (2023-02-23T13:03:48Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Conditional Extreme Value Theory for Open Set Video Domain Adaptation [17.474956295874797]
  本稿では,ソースとターゲットデータ間の領域差を軽減するために,オープンセットの映像領域適応手法を提案する。 負の伝達問題を緩和するために、サンプルエントロピーからしきい値までの距離によって計算された重みを、対向学習に活用する。 提案手法は,小規模と大規模の両方のクロスドメインビデオデータセットに対して徹底的に評価されている。
  論文  参考訳（メタデータ） (2021-09-01T10:51:50Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。