論文の概要: Heuristic Domain Adaptation

• arxiv url: http://arxiv.org/abs/2011.14540v1
• Date: Mon, 30 Nov 2020 04:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-06-07 06:36:39.020087
• Title: Heuristic Domain Adaptation
• Title（参考訳）: Heuristic Domain Adaptation
• Authors: Shuhao Cui, Xuan Jin, Shuhui Wang, Yuan He, Qingming Huang
• Abstract要約: Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。 Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
• 参考スコア（独自算出の注目度）: 105.59792285047536
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In visual domain adaptation (DA), separating the domain-specific characteristics from the domain-invariant representations is an ill-posed problem. Existing methods apply different kinds of priors or directly minimize the domain discrepancy to address this problem, which lack flexibility in handling real-world situations. Another research pipeline expresses the domain-specific information as a gradual transferring process, which tends to be suboptimal in accurately removing the domain-specific properties. In this paper, we address the modeling of domain-invariant and domain-specific information from the heuristic search perspective. We identify the characteristics in the existing representations that lead to larger domain discrepancy as the heuristic representations. With the guidance of heuristic representations, we formulate a principled framework of Heuristic Domain Adaptation (HDA) with well-founded theoretical guarantees. To perform HDA, the cosine similarity scores and independence measurements between domain-invariant and domain-specific representations are cast into the constraints at the initial and final states during the learning procedure. Similar to the final condition of heuristic search, we further derive a constraint enforcing the final range of heuristic network output to be small. Accordingly, we propose Heuristic Domain Adaptation Network (HDAN), which explicitly learns the domain-invariant and domain-specific representations with the above mentioned constraints. Extensive experiments show that HDAN has exceeded state-of-the-art on unsupervised DA, multi-source DA and semi-supervised DA. The code is available at https://github.com/cuishuhao/HDA.
• Abstract（参考訳）: 視覚領域適応(da)では、ドメイン固有の特性をドメイン不変表現から分離することは不適切な問題である。 既存の方法は、異なる種類の先例を適用したり、ドメインの相違を直接最小化してこの問題に対処する。 別の研究パイプラインでは、ドメイン固有の情報を段階的な転送プロセスとして表現している。 本稿では,ヒューリスティック検索の観点からのドメイン不変およびドメイン固有情報のモデル化について述べる。 我々は、既存の表現の特徴をヒューリスティック表現として、より広い領域の不一致に繋がる特徴を識別する。 ヒューリスティック表現の指導により、よく確立された理論的保証を持つヒューリスティックドメイン適応(hda)の原理的枠組みを定式化する。 HDAを実行するには、学習手順中の初期状態と最終状態の制約に、ドメイン不変量とドメイン固有表現との間のコサイン類似度スコアと独立性の測定を投入する。 ヒューリスティック検索の最終条件と同様に、我々はさらに、ヒューリスティックネットワークの最終的な出力範囲を小さくする制約を導出する。 そこで本稿では,上記の制約でドメイン不変およびドメイン固有表現を明示的に学習するHuristic Domain Adaptation Network (HDAN)を提案する。 大規模実験の結果,HDANは非教師付きDA,マルチソースDA,半教師付きDAの最先端を超えていることがわかった。 コードはhttps://github.com/cuishuhao/hdaで入手できる。

関連論文リスト

• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Rethinking Domain Generalization for Face Anti-spoofing: Separability and Alignment [35.67771212285966]
  本研究は,画像の解像度,ぼやけ度,センサの変動といった領域ギャップに対する対面アンチ・スプーフィング(FAS)モデルの一般化問題について検討する。 我々は、不変リスク最小化(IRM)の問題として、分離性と整合性(SA-FAS)のこのFAS戦略を定式化する。 ドメイン間FASデータセットに対するSA-FASの有効性を実証し、最先端の性能を確立する。
  論文  参考訳（メタデータ） (2023-03-23T20:34:27Z)
• Aggregation of Disentanglement: Reconsidering Domain Variations in Domain Generalization [9.577254317971933]
  ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。 本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。 また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
  論文  参考訳（メタデータ） (2023-02-05T09:48:57Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Enhanced Separable Disentanglement for Unsupervised Domain Adaptation [6.942003070153651]
  ドメイン適応は、既存のラベル付きドメインから新しいドメインに知識を移す際のドメインギャップを軽減することを目的としています。 既存のアンタングルメントベースのメソッドは、ドメイン不変性とドメイン固有の特徴の分離を完全に考慮していない。 本稿では,新たに拡張された分離不能な絡み合いモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-22T16:50:53Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Cross-Domain Structure Preserving Projection for Heterogeneous Domain Adaptation [23.18781318003242]
  Heterogeneous Domain Adaptation (HDA)は、ソースドメインとターゲットドメインのデータが異なるモダリティを持つ転送学習問題に対処する。 伝統的なドメイン適応アルゴリズムは、ソースとターゲットサンプルの表現が同じ特徴空間にあると仮定する。 本稿では,HDAのためのCDSPP(Cross-Domain Structure Preserving Projection)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-26T16:22:28Z)

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。