論文の概要: Cross-domain Activity Recognition via Substructural Optimal Transport

• arxiv url: http://arxiv.org/abs/2102.03353v1
• Date: Fri, 29 Jan 2021 08:05:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 13:26:32.533813
• Title: Cross-domain Activity Recognition via Substructural Optimal Transport
• Title（参考訳）: サブストラクショナル最適トランスポートによるクロスドメインアクティビティ認識
• Authors: Wang Lu, Yiqiang Chen, Jindong Wang, Xin Qin
• Abstract要約: ヒト活動認識(HAR)のためのドメイン適応(SSDA)のためのサブ構造レベルのマッチングを提案する。 SSDAに基づいて,クロスドメインHARのための最適トランスポートベース実装であるSubstructural Optimal Transport (SOT)を提案する。 4つの大規模公共活動認識データセットについて総合実験を行う。 UCI-DSADS, UCI-HAR, USC-HAD, PAMAP2は、SOTが他の最先端手法よりも顕著に優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.350441801743855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is expensive and time-consuming to collect sufficient labeled data for human activity recognition (HAR). Recently, lots of work solves the problem via domain adaptation which leverages the labeled samples from the source domain to annotate the target domain. Existing domain adaptation methods mainly focus on adapting cross-domain representations via domain-level, class-level, or sample-level distribution matching. However, the domain- and class-level matching are too coarse that may result in under-adaptation, while sample-level matching may be affected by the noise seriously and eventually cause over-adaptation. In this paper, we propose substructure-level matching for domain adaptation (SSDA) to utilize the internal substructures of the domain to perform accurate and efficient knowledge transfer. Based on SSDA, we propose an optimal transport-based implementation, Substructural Optimal Transport (SOT), for cross-domain HAR. We obtain the substructures of activities via clustering methods and seeks the coupling of the weighted substructures between different domains. We conduct comprehensive experiments on four large public activity recognition datasets (i.e. UCI-DSADS, UCI-HAR, USC-HAD, PAMAP2), which demonstrates that SOT significantly outperforms other state-of-the-art methods w.r.t classification accuracy (10%+ improvement). In addition, SOT is much faster than comparison methods.
• Abstract（参考訳）: 人間の活動認識(HAR)に十分なラベル付きデータを収集するのは高価で時間を要する。 最近、多くの作業が、ソースドメインのラベル付きサンプルを利用してターゲットドメインにアノテートするドメイン適応によって問題を解決している。 既存のドメイン適応メソッドは、主にドメインレベル、クラスレベル、またはサンプルレベルの分散マッチングによるクロスドメイン表現の適応にフォーカスします。 しかし、ドメインレベルとクラスレベルのマッチングは粗いため、不適応になる可能性があり、サンプルレベルのマッチングはノイズの影響を深刻に受け、最終的に過適応を引き起こす可能性がある。 本稿では,ドメインの内部構造を利用して高精度かつ効率的な知識伝達を行うために,ドメイン適応のためのサブ構造レベルマッチングを提案する。 SSDAに基づいて,クロスドメインHARのための最適トランスポートベース実装であるSubstructural Optimal Transport (SOT)を提案する。 本稿では,クラスタ化手法を用いてアクティビティのサブ構造を取得し,異なるドメイン間の重み付きサブストラクチャの結合を求める。 4つの大規模公共活動認識データセット(すなわち4つの公共活動認識データセット)について総合的な実験を行った。 UCI-DSADS, UCI-HAR, USC-HAD, PAMAP2) は、SOTが他の最先端手法よりも優れていることを示した。 さらに、SOTは比較法よりもはるかに高速である。

関連論文リスト

• Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
  半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。 既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。 本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
  論文  参考訳（メタデータ） (2024-01-21T10:20:46Z)
• 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)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• 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)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Sequential Domain Adaptation through Elastic Weight Consolidation for Sentiment Analysis [3.1473798197405944]
  我々はSDA(Sequential Domain Adaptation)というモデルに依存しないフレームワークを提案する。 提案手法は,CNNのようなシンプルなアーキテクチャが,感情分析(SA)の領域適応において,複雑な最先端モデルより優れていることを示す。 さらに、ソースドメインのより難しい第1次反計算機的順序付けの有効性が最大性能に繋がることを示した。
  論文  参考訳（メタデータ） (2020-07-02T15:21:56Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。