論文の概要: Against Adversarial Learning: Naturally Distinguish Known and Unknown in Open Set Domain Adaptation

• arxiv url: http://arxiv.org/abs/2011.02876v1
• Date: Wed, 4 Nov 2020 10:30:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 22:40:28.278329
• Title: Against Adversarial Learning: Naturally Distinguish Known and Unknown in Open Set Domain Adaptation
• Title（参考訳）: 対人学習--オープン・セット・ドメイン・アダプテーションにおける自然の区別と未知
• Authors: Sitong Mao, Xiao Shen, Fu-lai Chung
• Abstract要約: オープンセットドメイン適応は、ターゲットドメインがソースドメインに存在しないカテゴリを含むというシナリオを指す。 本研究では,未知のターゲットデータと未知のデータとを自然に識別できる「逆学習」手法を提案する。 実験結果から,提案手法はいくつかの最先端手法と比較して性能を著しく向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 17.819949636876018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open set domain adaptation refers to the scenario that the target domain contains categories that do not exist in the source domain. It is a more common situation in the reality compared with the typical closed set domain adaptation where the source domain and the target domain contain the same categories. The main difficulty of open set domain adaptation is that we need to distinguish which target data belongs to the unknown classes when machine learning models only have concepts about what they know. In this paper, we propose an "against adversarial learning" method that can distinguish unknown target data and known data naturally without setting any additional hyper parameters and the target data predicted to the known classes can be classified at the same time. Experimental results show that the proposed method can make significant improvement in performance compared with several state-of-the-art methods.
• Abstract（参考訳）: オープンセットドメイン適応は、ターゲットドメインがソースドメインに存在しないカテゴリを含むというシナリオを指す。 これは、ソースドメインとターゲットドメインが同じカテゴリを含む典型的なクローズドセットドメイン適応と比較して、現実においてより一般的な状況である。 オープンセットドメイン適応の主な困難は、機械学習モデルが知っていることの概念しか持たない場合に、未知のクラスに属する対象データを区別する必要があることである。 本稿では,未知の対象データと未知のデータを,追加のハイパーパラメータを設定することなく自然に識別し,未知のクラスに予測された対象データを同時に分類できる「against adversarial learning」手法を提案する。 実験の結果,提案手法は最先端手法に比べて性能が著しく向上することがわかった。

関連論文リスト

• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• 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)
• Open Set Domain Recognition via Attention-Based GCN and Semantic Matching Optimization [8.831857715361624]
  本研究では,注意に基づくGCNとセマンティックマッチング最適化に基づくエンドツーエンドモデルを提案する。 実験結果から,提案モデルが未知のクラスの画像認識に優れるだけでなく,対象領域の様々な開放性にも適応できることが確認された。
  論文  参考訳（メタデータ） (2021-05-11T12:05:36Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Open Set Domain Adaptation by Extreme Value Theory [22.826118321715455]
  ソースとターゲットラベル空間が部分的な重複のみを前提として、オープンセットのドメイン適応問題に取り組みます。 重み付けが既知のクラスに属するサンプルの可能性を示すドメイン適応のためのインスタンスレベルの重み付け戦略を提案する。 従来のドメイン適応データセットを用いた実験では,提案手法が最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-12-22T19:31:32Z)
• 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)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)

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。