論文の概要: Improved Multi-Source Domain Adaptation by Preservation of Factors
- arxiv url: http://arxiv.org/abs/2010.07783v2
- Date: Fri, 16 Oct 2020 07:15:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:19:21.238379
- Title: Improved Multi-Source Domain Adaptation by Preservation of Factors
- Title（参考訳）: 因子保存によるマルチソースドメイン適応の改善
- Authors: Sebastian Schrom and Stephan Hasler and J\"urgen Adamy
- Abstract要約: ドメイン適応(DA)は、ディープニューラルネットワークによる画像分類に関して、非常に関連する研究トピックである。
本稿では,現実のシーンが一般的に画像に現れる視覚的要因の理論に基づいて述べる。
異なるドメインはドメイン内で一貫した値を持つが、ドメイン間で変更できるいわゆるドメインファクターによって記述できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Adaptation (DA) is a highly relevant research topic when it comes to
image classification with deep neural networks. Combining multiple source
domains in a sophisticated way to optimize a classification model can improve
the generalization to a target domain. Here, the difference in data
distributions of source and target image datasets plays a major role. In this
paper, we describe based on a theory of visual factors how real-world scenes
appear in images in general and how recent DA datasets are composed of such. We
show that different domains can be described by a set of so called domain
factors, whose values are consistent within a domain, but can change across
domains. Many DA approaches try to remove all domain factors from the feature
representation to be domain invariant. In this paper we show that this can lead
to negative transfer since task-informative factors can get lost as well. To
address this, we propose Factor-Preserving DA (FP-DA), a method to train a deep
adversarial unsupervised DA model, which is able to preserve specific task
relevant factors in a multi-domain scenario. We demonstrate on CORe50, a
dataset with many domains, how such factors can be identified by standard
one-to-one transfer experiments between single domains combined with PCA. By
applying FP-DA, we show that the highest average and minimum performance can be
achieved.
- Abstract（参考訳）: ドメイン適応(DA)は、ディープニューラルネットワークによる画像分類に関して、非常に関連する研究トピックである。
分類モデルを最適化する洗練された方法で複数のソースドメインを組み合わせることで、対象ドメインへの一般化を改善することができる。
ここでは、ソースとターゲットの画像データセットのデータ分布の違いが大きな役割を果たす。
本稿では,現実のシーンが一般的に画像に現れる視覚的要因の理論と,最近のDAデータセットがどのように構成されているかを説明する。
異なるドメインは、ドメイン内の値が一貫性があるが、ドメイン間で変化しうるいわゆるドメインファクターのセットによって記述できることを示す。
多くのDAアプローチは、すべてのドメイン要素を特徴表現からドメイン不変として取り除こうとします。
本稿では,タスクインフォーマティブな要素が失われる可能性があるため,このことが負の転送に繋がることを示す。
そこで本研究では,マルチドメインシナリオにおいて特定のタスクに関連する因子を保存可能な,深い敵意のない教師なしdaモデルを学習するための因子保存da(fp-da)を提案する。
我々は、多くのドメインを持つデータセットであるCORe50について、PCAと組み合わせた単一ドメイン間の標準的な1対1転送実験によって、そのような要因をいかに特定できるかを示す。
FP-DAを適用することで,最も高い平均および最小性能が得られることを示す。
関連論文リスト
- DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive
Crowd Counting [35.83485358725357]
ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。
既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。
ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
論文 参考訳（メタデータ） (2023-08-10T02:59:40Z) - Domain-General Crowd Counting in Unseen Scenarios [25.171343652312974]
群集データ間のドメインシフトは、群集数モデルが目に見えないシナリオに一般化するのを著しく妨げます。
ソースドメインを複数のサブドメインに分割する動的サブドメイン分割方式を提案する。
画像特徴におけるドメイン固有情報からドメイン不変情報を切り離すために、ドメイン不変および-特定のクラウドメモリモジュールを設計する。
論文 参考訳（メタデータ） (2022-12-05T19:52:28Z) - Multi-Domain Long-Tailed Learning by Augmenting Disentangled
Representations [80.76164484820818]
多くの現実世界の分類問題には、避けられない長い尾のクラスバランスの問題がある。
本稿では,この多領域長鎖学習問題について検討し,すべてのクラスとドメインにまたがってよく一般化されたモデルを作成することを目的とする。
TALLYは、選択的均衡サンプリング戦略に基づいて、ある例のセマンティック表現と別の例のドメイン関連ニュアンスを混合することでこれを達成している。
論文 参考訳（メタデータ） (2022-10-25T21:54:26Z) - Domain Adaptation for Time-Series Classification to Mitigate Covariate
Shift [3.071136270246468]
本稿では,2つのステップに基づいた新しいドメイン適応手法を提案する。
まず、いくつかのサンプルから、ソースからターゲットドメインへの最適なクラス依存変換を探索する。
次に、埋め込み類似性技術を用いて、推論時に対応する変換を選択する。
論文 参考訳（メタデータ） (2022-04-07T10:27:14Z) - Efficient Hierarchical Domain Adaptation for Pretrained Language Models [77.02962815423658]
生成言語モデルは、多種多様な一般的なドメインコーパスに基づいて訓練される。
計算効率のよいアダプタアプローチを用いて,ドメイン適応を多種多様なドメインに拡張する手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T11:09:29Z) - Achieving Domain Generalization in Underwater Object Detection by Image
Stylization and Domain Mixup [8.983901488753967]
既存の水中物体検出手法は複雑な水中環境に起因する領域シフト問題に直面すると深刻に劣化する。
本稿では,データ拡張の観点からのドメイン一般化手法を提案する。
S-UODAC 2020データセットに関する総合的な実験は、提案手法がドメイン不変表現を学習できることを実証している。
論文 参考訳（メタデータ） (2021-04-06T01:45:07Z) - Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。
ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。
実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
論文 参考訳（メタデータ） (2021-03-19T01:22:12Z) - Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。
本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。
我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
論文 参考訳（メタデータ） (2020-07-17T22:05:09Z) - Deep Domain-Adversarial Image Generation for Domain Generalisation [115.21519842245752]
マシンラーニングモデルは通常、ソースデータセットでトレーニングされたり、異なるディストリビューションのターゲットデータセットで評価されたりする際に、ドメインシフトの問題に悩まされる。
この問題を解決するために、ドメイン一般化(DG)手法は、訓練されたモデルが未知のドメインに一般化できるように、複数のソースドメインからのデータを活用することを目的としている。
我々はemphDeep Domain-Adversarial Image Generation (DDAIG)に基づく新しいDG手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T23:17:47Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-01-12T08:37:42Z)
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。