論文の概要: Transferable Semantic Augmentation for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2103.12562v1
• Date: Tue, 23 Mar 2021 14:04:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:51:37.178248
• Title: Transferable Semantic Augmentation for Domain Adaptation
• Title（参考訳）: ドメイン適応のための転送可能意味拡張
• Authors: Shuang Li, Mixue Xie, Kaixiong Gong, Chi Harold Liu, Yulin Wang, Wei Li
• Abstract要約: 本稿では,分類器適応能力を高めるためにTSA(Transferable Semantic Augmentation)アプローチを提案する。 TSAは、ターゲットセマンティクスに対するソース機能を暗黙的に生成する。 軽量で汎用的な技術として、TSAは様々な領域適応法に簡単に接続できる。
• 参考スコア（独自算出の注目度）: 14.623272346517794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation has been widely explored by transferring the knowledge from a label-rich source domain to a related but unlabeled target domain. Most existing domain adaptation algorithms attend to adapting feature representations across two domains with the guidance of a shared source-supervised classifier. However, such classifier limits the generalization ability towards unlabeled target recognition. To remedy this, we propose a Transferable Semantic Augmentation (TSA) approach to enhance the classifier adaptation ability through implicitly generating source features towards target semantics. Specifically, TSA is inspired by the fact that deep feature transformation towards a certain direction can be represented as meaningful semantic altering in the original input space. Thus, source features can be augmented to effectively equip with target semantics to train a more transferable classifier. To achieve this, for each class, we first use the inter-domain feature mean difference and target intra-class feature covariance to construct a multivariate normal distribution. Then we augment source features with random directions sampled from the distribution class-wisely. Interestingly, such source augmentation is implicitly implemented through an expected transferable cross-entropy loss over the augmented source distribution, where an upper bound of the expected loss is derived and minimized, introducing negligible computational overhead. As a light-weight and general technique, TSA can be easily plugged into various domain adaptation methods, bringing remarkable improvements. Comprehensive experiments on cross-domain benchmarks validate the efficacy of TSA.
• Abstract（参考訳）: ドメイン適応はラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を移すことで広く研究されている。 既存のほとんどのドメイン適応アルゴリズムは、2つのドメインにまたがる特徴表現を、共有ソース管理分類器のガイダンスで適用する。 しかし、そのような分類器はラベルなしの標的認識への一般化能力を制限する。 そこで本研究では,対象意味論に対して暗黙的にソース特徴を生成させることで分類器適応能力を向上させるためのtsa(transportable semantic augmentation)手法を提案する。 特に、TSAは、ある方向への深い特徴変換が、元の入力空間において意味のある意味変化として表せるという事実に着想を得ている。 したがって、ソース機能は、より転送可能な分類器をトレーニングするために、ターゲットセマンティクスに効果的に装備するように拡張することができる。 これを実現するために、まず、ドメイン間特徴平均差と対象クラス内特徴共分散を用いて、多変量正規分布を構築する。 次に,分布から無作為な方向をクラスワイズに拡張する。 興味深いことに、そのようなソース拡張は、期待される損失の上限が導出され最小化され、計算オーバーヘッドが無視できる、拡張されたソース分布上の転送可能なクロスエントロピー損失によって暗黙的に実装される。 軽量で汎用的な技術として、TSAは様々な領域適応手法に簡単に接続でき、顕著な改善をもたらす。 tsaの有効性を検証するクロスドメインベンチマークに関する包括的な実験。

関連論文リスト

• Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
  半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。 このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。 SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
  論文  参考訳（メタデータ） (2024-06-20T08:02:49Z)
• Progressive Classifier and Feature Extractor Adaptation for Unsupervised Domain Adaptation on Point Clouds [36.596096617244655]
  非教師なしドメイン適応(UDA)は、ポイントクラウド分析の分野において重要な課題である。 本稿では,3次元UDAのための分類器と特徴抽出器を深く結合した新しいフレームワークを提案する。 われわれのPCFEAはマクロレベルとマイクロレベルという2つの異なる視点から3D UDAを実施している。
  論文  参考訳（メタデータ） (2023-11-27T07:33:15Z)
• Semantic Concentration for Domain Adaptation [23.706231329913113]
  ドメイン適応(DA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインへの知識転送によるラベルアノテーションとデータセットバイアスの問題に対する道を開く。 DA手法の主流は、2つのドメインの特徴分布を整列させることである。 本稿では,ドメイン適応のためのセマンティック集中モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-12T13:04:36Z)
• 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)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• 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)
• Simultaneous Semantic Alignment Network for Heterogeneous Domain Adaptation [67.37606333193357]
  本稿では,カテゴリ間の相関を同時に利用し,各カテゴリ毎のセントロイドを整列させるために,aSimultaneous Semantic Alignment Network (SSAN)を提案する。 対象の擬似ラベルを利用することで、各カテゴリの特徴表現を整列させるために、ロバストな三重項中心のアライメント機構を明示的に適用する。 テキスト・ツー・イメージ、画像・画像・テキスト・ツー・テキストにわたる様々なHDAタスクの実験は、最先端のHDA手法に対するSSANの優位性を検証することに成功した。
  論文  参考訳（メタデータ） (2020-08-04T16:20:37Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• 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。