論文の概要: Teacher-Student Competition for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2010.09572v2
• Date: Tue, 20 Oct 2020 03:37:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:04:01.719733
• Title: Teacher-Student Competition for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なしドメイン適応のための教師学生コンペティション
• Authors: Ruixin Xiao, Zhilei Liu, Baoyuan Wu
• Abstract要約: 本稿では教師・学生コンペティション(TSC)を用いた教師なしドメイン適応手法を提案する。 特に,対象とする特徴空間を学習するために学生ネットワークを導入し,学生ネットワークのトレーニングのために,より信頼性の高い擬似ラベルを選択するための新しい競争機構を設計する。 提案するTSCフレームワークは,Office-31およびImageCLEF-DAベンチマークにおける最先端のドメイン適応手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 28.734814582911845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the supervision from source domain only in class-level, existing unsupervised domain adaptation (UDA) methods mainly learn the domain-invariant representations from a shared feature extractor, which causes the source-bias problem. This paper proposes an unsupervised domain adaptation approach with Teacher-Student Competition (TSC). In particular, a student network is introduced to learn the target-specific feature space, and we design a novel competition mechanism to select more credible pseudo-labels for the training of student network. We introduce a teacher network with the structure of existing conventional UDA method, and both teacher and student networks compete to provide target pseudo-labels to constrain every target sample's training in student network. Extensive experiments demonstrate that our proposed TSC framework significantly outperforms the state-of-the-art domain adaptation methods on Office-31 and ImageCLEF-DA benchmarks.
• Abstract（参考訳）: ソースドメインからの監督はクラスレベルでのみ行われるため、既存の教師なしドメイン適応(UDA)メソッドは主に、ソースバイアス問題を引き起こす共有特徴抽出器からドメイン不変表現を学習する。 本稿では,教師間競争(tsc)を伴う非教師付きドメイン適応手法を提案する。 特に,対象特色空間を学習するために学生ネットワークを導入し,学生ネットワークの訓練のために,より信頼性の高い疑似ラベルを選択するための新しい競争機構を設計する。 従来のUDA方式の構造を持つ教師ネットワークを導入し、教師ネットワークと学生ネットワークは、学生ネットワークにおける対象サンプルのトレーニングを制限するための擬似ラベルを提供する。 大規模な実験により,提案したTSCフレームワークはOffice-31およびImageCLEF-DAベンチマークにおける最先端のドメイン適応手法よりも優れていた。

関連論文リスト

• Direct Distillation between Different Domains [97.39470334253163]
  異なるドメイン間の直接蒸留(4Ds)と呼ばれる新しいワンステージ手法を提案する。 まず、Fourier変換に基づいて学習可能なアダプタを設計し、ドメイン固有の知識からドメイン不変知識を分離する。 次に、価値あるドメイン不変知識を学生ネットワークに転送するための融合活性化機構を構築する。
  論文  参考訳（メタデータ） (2024-01-12T02:48:51Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Multi-level Consistency Learning for Semi-supervised Domain Adaptation [85.90600060675632]
  半教師付きドメイン適応(SSDA)は、完全にラベル付けされたソースドメインから学習した知識をわずかにラベル付けされたターゲットドメインに適用することを目的としている。 SSDAのための多レベル一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T06:41:18Z)
• One-Class Knowledge Distillation for Face Presentation Attack Detection [53.30584138746973]
  本稿では,一級ドメイン適応による対面PADのクロスドメイン性能向上のための教師学生フレームワークを提案する。 学生ネットワークは、教師ネットワークを模倣し、ターゲットドメインの真の顔サンプルの類似した表現を学ぶために訓練される。 テストフェーズでは、教師と学生ネットワークの表現の類似度スコアを用いて、真の攻撃と区別する。
  論文  参考訳（メタデータ） (2022-05-08T06:20:59Z)
• UDA-COPE: Unsupervised Domain Adaptation for Category-level Object Pose Estimation [84.16372642822495]
  我々は、textbfUDA-COPEと呼ばれるカテゴリレベルのオブジェクトポーズ推定のための教師なしドメイン適応(UDA)を提案する。 近年のマルチモーダルなUDA手法に触発された提案手法は,教師が指導する自己教師型学習手法を利用して,ターゲットドメインラベルを使わずにポーズ推定ネットワークを訓練する。
  論文  参考訳（メタデータ） (2021-11-24T16:00:48Z)
• Robust Ensembling Network for Unsupervised Domain Adaptation [20.152004296679138]
  教師なしドメイン適応(UDA)のためのRobust Ensembling Network(REN)を提案する。 RENは主に教師ネットワークと学生ネットワークを含み、標準的なドメイン適応トレーニングを実行し、教師ネットワークの重みを更新する。 学生ネットワークの基本能力を向上させるために,学生ネットワークと教師ネットワークの誤りのバランスをとるために,一貫性制約を利用する。
  論文  参考訳（メタデータ） (2021-08-21T09:19:13Z)
• Unsupervised Domain Adaptation for Image Classification via Structure-Conditioned Adversarial Learning [70.79486026698419]
  Unsupervised Domain Adapt (UDA) は、典型的には、ラベルリッチなソースドメインから非ラベル付きターゲットドメインへの知識転送を、逆学習によって行う。 ドメイン分散アライメント中にクラス内コンパクト性を維持することができる、エンドツーエンドの構造条件付き対人学習スキーム(SCAL)を提案する。
  論文  参考訳（メタデータ） (2021-03-04T03:12:54Z)

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。