論文の概要: Partial Domain Adaptation Using Selective Representation Learning For
Class-Weight Computation
- arxiv url: http://arxiv.org/abs/2101.02275v1
- Date: Wed, 6 Jan 2021 21:37:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 01:24:48.866832
- Title: Partial Domain Adaptation Using Selective Representation Learning For
Class-Weight Computation
- Title(参考訳): クラスウェイト計算における選択表現学習を用いた部分領域適応
- Authors: Sandipan Choudhuri, Riti Paul, Arunabha Sen, Baoxin Li, Hemanth
Venkateswara
- Abstract要約: ディープラーニングモデルの一般化能力は、リッチラベルデータに依存する。
画像コンテンツ情報のみから外れたクラスを識別する手法を開発した。
また、ソース画像からクラスコンテンツのみにラベル分類器を訓練する。
- 参考スコア(独自算出の注目度): 19.67078163464389
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The generalization power of deep-learning models is dependent on
rich-labelled data. This supervision using large-scaled annotated information
is restrictive in most real-world scenarios where data collection and their
annotation involve huge cost. Various domain adaptation techniques exist in
literature that bridge this distribution discrepancy. However, a majority of
these models require the label sets of both the domains to be identical. To
tackle a more practical and challenging scenario, we formulate the problem
statement from a partial domain adaptation perspective, where the source label
set is a super set of the target label set. Driven by the motivation that image
styles are private to each domain, in this work, we develop a method that
identifies outlier classes exclusively from image content information and train
a label classifier exclusively on class-content from source images.
Additionally, elimination of negative transfer of samples from classes private
to the source domain is achieved by transforming the soft class-level weights
into two clusters, 0 (outlier source classes) and 1 (shared classes) by
maximizing the between-cluster variance between them.
- Abstract(参考訳): ディープラーニングモデルの一般化能力は、リッチラベルデータに依存する。
大規模アノテート情報を用いたこの監視は、データ収集とそのアノテーションが膨大なコストを伴うほとんどの現実のシナリオにおいて制限される。
この分布差を橋渡しする様々なドメイン適応技術が文献に存在している。
しかし、これらのモデルのほとんどは、両方のドメインのラベルセットを同一にする必要がある。
より実践的で困難なシナリオに対処するために、ソースラベルセットがターゲットラベルセットのスーパーセットである部分的なドメイン適応の観点から問題文を定式化する。
本研究は,画像スタイルが各ドメインにプライベートであるという動機から,画像コンテンツ情報からのみ外部クラスを識別し,ソース画像からのクラスコンテンツにのみ依存するラベル分類器を訓練する手法を開発した。
さらに、ソフトクラスレベルの重みを0(外部ソースクラス)と1(共有クラス)の2つのクラスタに変換し、クラスタ間の分散を最大化することにより、ソースドメインにプライベートなクラスからサンプルの負の転送の排除を実現する。
関連論文リスト
- Domain-Invariant Feature Alignment Using Variational Inference For
Partial Domain Adaptation [6.04077629908308]
提案手法は既存の手法と同等の精度で優れている。
多くのクロスドメイン分類タスクにおける実験結果から,提案手法は既存手法に優れた精度と同等の精度をもたらすことが示された。
論文 参考訳(メタデータ) (2022-12-03T10:39:14Z) - Continual Unsupervised Domain Adaptation for Semantic Segmentation using
a Class-Specific Transfer [9.46677024179954]
セグメンテーションモデルは 目に見えない領域に一般化しません
2つのクラス条件のAdaIN層を組み込んだ軽量なスタイル転送フレームワークを提案する。
合成シーケンスに対する我々のアプローチを広く検証し、さらに実領域からなる挑戦的なシーケンスを提案する。
論文 参考訳(メタデータ) (2022-08-12T21:30:49Z) - Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic
Segmentation [31.50802009879241]
ドメイン適応セマンティックセグメンテーション(Domain Adaptive semantic segmentation)は、ソースドメインデータの監視によってモデルを学習し、ラベルなしのターゲットドメイン上で密度の高い予測を生成することを目的としている。
この課題に対する一般的な解決策の1つは自己学習であり、ターゲットサンプルのハイスコア予測をトレーニング用の擬似ラベルとして選択する。
本稿では,ソース領域に強く依存するのではなく,対象領域データの固有画素分布を直接探索することを提案する。
論文 参考訳(メタデータ) (2022-03-18T04:56:20Z) - From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。
近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。
本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文 参考訳(メタデータ) (2022-03-14T07:02:45Z) - Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。
本稿では,この問題に対するドメイン適応的アプローチを提案する。
提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2021-12-09T08:57:01Z) - Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。
本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。
私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
論文 参考訳(メタデータ) (2021-10-13T04:12:27Z) - OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。
本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。
私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
論文 参考訳(メタデータ) (2021-04-07T18:36:31Z) - 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) - Select, Label, and Mix: Learning Discriminative Invariant Feature
Representations for Partial Domain Adaptation [55.73722120043086]
部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。
まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。
次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
論文 参考訳(メタデータ) (2020-12-06T19:29:32Z) - Domain Generalization via Optimal Transport with Metric Similarity
Learning [16.54463315552112]
データやラベルが利用できない未知のドメインに知識を一般化することは、機械学習モデルにとって不可欠である。
我々は、複数のソースドメインから学習し、未知の統計を持つ対象ドメインに一般化するために、ドメインの一般化問題に取り組む。
論文 参考訳(メタデータ) (2020-07-21T02:56:05Z) - A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
普遍シナリオにおける教師なし領域適応の問題について検討する。
ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。
共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
論文 参考訳(メタデータ) (2020-01-14T22:28:43Z)
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。