論文の概要: Inferring Latent Domains for Unsupervised Deep Domain Adaptation
- arxiv url: http://arxiv.org/abs/2103.13873v1
- Date: Thu, 25 Mar 2021 14:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:36:29.829107
- Title: Inferring Latent Domains for Unsupervised Deep Domain Adaptation
- Title（参考訳）: 教師なし深部ドメイン適応のための潜在ドメインの推論
- Authors: Massimiliano Mancini, Lorenzo Porzi, Samuel Rota Bul\`o, Barbara
Caputo and Elisa Ricci
- Abstract要約: Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 54.963823285456925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Domain Adaptation (UDA) refers to the problem of learning a
model in a target domain where labeled data are not available by leveraging
information from annotated data in a source domain. Most deep UDA approaches
operate in a single-source, single-target scenario, i.e. they assume that the
source and the target samples arise from a single distribution. However, in
practice most datasets can be regarded as mixtures of multiple domains. In
these cases, exploiting traditional single-source, single-target methods for
learning classification models may lead to poor results. Furthermore, it is
often difficult to provide the domain labels for all data points, i.e. latent
domains should be automatically discovered. This paper introduces a novel deep
architecture which addresses the problem of UDA by automatically discovering
latent domains in visual datasets and exploiting this information to learn
robust target classifiers. Specifically, our architecture is based on two main
components, i.e. a side branch that automatically computes the assignment of
each sample to its latent domain and novel layers that exploit domain
membership information to appropriately align the distribution of the CNN
internal feature representations to a reference distribution. We evaluate our
approach on publicly available benchmarks, showing that it outperforms
state-of-the-art domain adaptation methods.
- Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、ソースドメインのアノテーション付きデータからの情報を活用することでラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
ほとんどの深いUDAアプローチは、単一ソースの単一ターゲットシナリオ、すなわち、運用されている。
ソースとターゲットのサンプルは 単一の分布から生じると仮定します
しかし実際には、ほとんどのデータセットは複数のドメインの混合と見なすことができる。
このような場合、分類モデルを学習するために従来の単一ソースの単一ターゲット手法を利用すると、結果が低下する可能性がある。
さらに、すべてのデータポイント、すなわち、ドメインラベルを提供することは、しばしば困難である。
潜伏ドメインは 自動的に発見される
本稿では,視覚データセット内の潜在ドメインを自動的に発見し,この情報を利用してロバストな対象分類器を学習することにより,udaの問題を解決する新しい深層アーキテクチャを提案する。
具体的には、アーキテクチャは2つの主要なコンポーネントに基づいている。
CNNの内部特徴表現の分布を参照分布に適切に整合させるために、各サンプルの潜在ドメインへの割り当てを自動的に計算するサイドブランチと、ドメインメンバーシップ情報を利用する新しいレイヤ。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
関連論文リスト
- Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳（メタデータ） (2022-04-24T12:22:19Z) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-09T20:05:54Z) - UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。
未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。
オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
論文 参考訳（メタデータ） (2021-12-16T01:22:59Z) - Learning causal representations for robust domain adaptation [31.261956776418618]
多くの現実世界のアプリケーションでは、ターゲットのドメインデータが常に利用できるとは限らない。
本稿では,学習段階において対象ドメインデータが利用できない場合について検討する。
本稿では,深層オートエンコーダと因果構造学習を統一モデルに統合したCausal AutoEncoder (CAE)を提案する。
論文 参考訳（メタデータ） (2020-11-12T11:24:03Z) - Unsupervised Model Adaptation for Continual Semantic Segmentation [15.820660013260584]
本研究では,ラベル付きソースドメインを用いて訓練されたセマンティックセグメンテーションモデルを,ラベル付きターゲットドメインで適切に一般化するアルゴリズムを開発した。
我々は,アルゴリズムが有効である条件を理論的に分析し,説明する。
ベンチマーク適応タスクの実験では, 共同UDA手法と比較して, 競争性能が向上することを示した。
論文 参考訳（メタデータ） (2020-09-26T04:55:50Z) - Learning to Cluster under Domain Shift [20.00056591000625]
本研究では、ソースデータとターゲットデータの両方にアノテーションがない場合に、ソースからターゲットドメインに知識を転送する問題に対処する。
ディープクラスタリングに関する最近の研究から着想を得た私たちのアプローチは、複数のソースドメインから収集されたデータからの情報を活用する。
本手法は,少数のサンプルが存在する場合でも,関連する意味情報を自動的に発見できることを示す。
論文 参考訳（メタデータ） (2020-08-11T12:03:01Z) - Deep Domain-Adversarial Image Generation for Domain Generalisation [115.21519842245752]
マシンラーニングモデルは通常、ソースデータセットでトレーニングされたり、異なるディストリビューションのターゲットデータセットで評価されたりする際に、ドメインシフトの問題に悩まされる。
この問題を解決するために、ドメイン一般化(DG)手法は、訓練されたモデルが未知のドメインに一般化できるように、複数のソースドメインからのデータを活用することを目的としている。
我々はemphDeep Domain-Adversarial Image Generation (DDAIG)に基づく新しいDG手法を提案する。
論文 参考訳（メタデータ） (2020-03-12T23:17:47Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-01-12T08:37:42Z)
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。