論文の概要: MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2103.13575v1
• Date: Thu, 25 Mar 2021 03:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 23:30:50.469053
• Title: MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation
• Title（参考訳）: MetaAlign: 教師なしドメイン適応のためのドメインアライメントと分類の調整
• Authors: Guoqiang Wei, Cuiling Lan, Wenjun Zeng, Zhibo Chen
• Abstract要約: 本稿ではMetaAlignと呼ばれるメタ最適化に基づく効果的な戦略を提案する。 ドメインアライメントの目的と分類の目的をメタ学習計画におけるメタトレーニングとメタテストのタスクとして扱う。 実験結果は,アライメントに基づくベースラインアプローチを用いた提案手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 84.90801699807426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For unsupervised domain adaptation (UDA), to alleviate the effect of domain shift, many approaches align the source and target domains in the feature space by adversarial learning or by explicitly aligning their statistics. However, the optimization objective of such domain alignment is generally not coordinated with that of the object classification task itself such that their descent directions for optimization may be inconsistent. This will reduce the effectiveness of domain alignment in improving the performance of UDA. In this paper, we aim to study and alleviate the optimization inconsistency problem between the domain alignment and classification tasks. We address this by proposing an effective meta-optimization based strategy dubbed MetaAlign, where we treat the domain alignment objective and the classification objective as the meta-train and meta-test tasks in a meta-learning scheme. MetaAlign encourages both tasks to be optimized in a coordinated way, which maximizes the inner product of the gradients of the two tasks during training. Experimental results demonstrate the effectiveness of our proposed method on top of various alignment-based baseline approaches, for tasks of object classification and object detection. MetaAlign helps achieve the state-of-the-art performance.
• Abstract（参考訳）: 非教師なしドメイン適応 (unsupervised domain adaptation, uda) では、ドメインシフトの効果を緩和するために、多くのアプローチが機能空間のソースとターゲットドメインを敵の学習や統計を明示的に整列させることで一致させる。 しかし、そのようなドメインアライメントの最適化の目的は通常、最適化のための降下方向が矛盾する可能性があるように、オブジェクト分類タスク自体と協調しない。 これにより、UDAの性能向上におけるドメインアライメントの有効性が低下する。 本稿では,ドメインアライメントと分類タスクの最適化の不整合問題を研究・軽減することを目的とする。 そこで我々はメタアライメント目標と分類目標をメタトレーニングおよびメタテストタスクとして扱うメタアラインと呼ばれる効果的なメタ最適化ベースの戦略を提案する。 metaalignは、トレーニング中の2つのタスクの勾配の内積を最大化する協調的な方法で、両方のタスクを最適化することを推奨する。 提案手法は,物体分類と物体検出のタスクにおいて,様々なアライメントに基づくベースラインアプローチ上で有効であることを示す。 MetaAlignは最先端のパフォーマンスを達成するのに役立ちます。

関連論文リスト

• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しいドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-01T01:52:28Z)
• Revisiting Deep Subspace Alignment for Unsupervised Domain Adaptation [42.16718847243166]
  Unsupervised domain adapt (UDA) 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の知識の転送と適応を目的としている。 伝統的に、部分空間に基づく手法はこの問題に対する重要な解のクラスを形成する。 本稿では,UDAにおける部分空間アライメントの利用を再検討し,一貫した一般化をもたらす新しい適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-05T20:16:38Z)
• Pareto Domain Adaptation [35.48609986914723]
  ドメイン適応(DA)は、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の転送を試みる。 本研究は,全学習目標を協調的に最適化することを目的とした,全体の最適化方向を制御するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-08T06:31:13Z)
• Dynamic Feature Alignment for Semi-supervised Domain Adaptation [23.67093835143]
  本稿では,動的特徴アライメントを用いてドメイン間差とドメイン内差に対処することを提案する。 我々のアプローチは、広範囲なチューニングや逆行訓練を必要としないが、半教師付きドメイン適応のための技術の現状を著しく改善する。
  論文  参考訳（メタデータ） (2021-10-18T22:26:27Z)
• ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation [84.90801699807426]
  ドメイン間でアライメントすべき機能について検討し、ドメインアライメントが積極的に分類に役立てることを提案する。 我々は、ソースドメインの機能を、整列すべきタスク関連/識別機能と、回避/無視されるべきタスク関連機能に明示的に分解します。
  論文  参考訳（メタデータ） (2021-06-21T02:17:48Z)
• MetaCorrection: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Segmentation [14.8840510432657]
  unsupervised domain adaptation (uda) は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に知識を転送することを目的としている。 既存の自己学習に基づくUDAアプローチでは、ターゲットデータに擬似ラベルを割り当て、それらを基底真理ラベルとして扱う。 ソースドメインに最適化されたモデルから生成された擬似ラベルは、必然的にドメインギャップによるノイズを含む。
  論文  参考訳（メタデータ） (2021-03-09T06:57:03Z)
• Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
  ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。 いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。 我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
  論文  参考訳（メタデータ） (2021-01-29T18:40:17Z)
• Domain Adaptive Person Re-Identification via Coupling Optimization [58.567492812339566]
  ドメイン適応型人物再識別(ReID)は、ドメインのギャップとターゲットシナリオに対するアノテーションの不足のために困難である。 本稿では,ドメイン不変写像 (DIM) 法とグローバル局所距離最適化 (GLO) を含む結合最適化手法を提案する。 GLOはターゲットドメインの教師なし設定でReIDモデルをトレーニングするために設計されている。
  論文  参考訳（メタデータ） (2020-11-06T14:01:03Z)

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。