論文の概要: VDM-DA: Virtual Domain Modeling for Source Data-free Domain Adaptation
- arxiv url: http://arxiv.org/abs/2103.14357v1
- Date: Fri, 26 Mar 2021 09:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:42:09.632979
- Title: VDM-DA: Virtual Domain Modeling for Source Data-free Domain Adaptation
- Title（参考訳）: VDM-DA: ソースデータフリードメイン適応のための仮想ドメインモデリング
- Authors: Jiayi Tian, Jing Zhang, Wen Li, Dong Xu
- Abstract要約: ドメイン適応(domain adaptation)は、ラベルリッチドメイン(ソースドメイン)を活用して、ラベルキャリアドメイン(ターゲットドメイン)でのモデル学習を支援する。
ソースドメインのサンプルへのアクセスは、異なる問題のために、現実世界のアプリケーションで常に可能であるとは限らない。
VDM-DA(Virtual Domain Modeling)と呼ばれる新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 26.959377850768423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain adaptation aims to leverage a label-rich domain (the source domain) to
help model learning in a label-scarce domain (the target domain). Most domain
adaptation methods require the co-existence of source and target domain samples
to reduce the distribution mismatch, however, access to the source domain
samples may not always be feasible in the real world applications due to
different problems (e.g., storage, transmission, and privacy issues). In this
work, we deal with the source data-free unsupervised domain adaptation problem,
and propose a novel approach referred to as Virtual Domain Modeling (VDM-DA).
The virtual domain acts as a bridge between the source and target domains. On
one hand, we generate virtual domain samples based on an approximated Gaussian
Mixture Model (GMM) in the feature space with the pre-trained source model,
such that the virtual domain maintains a similar distribution with the source
domain without accessing to the original source data. On the other hand, we
also design an effective distribution alignment method to reduce the
distribution divergence between the virtual domain and the target domain by
gradually improving the compactness of the target domain distribution through
model learning. In this way, we successfully achieve the goal of distribution
alignment between the source and target domains by training deep networks
without accessing to the source domain data. We conduct extensive experiments
on benchmark datasets for both 2D image-based and 3D point cloud-based
cross-domain object recognition tasks, where the proposed method referred to
Domain Adaptation with Virtual Domain Modeling (VDM-DA) achieves the
state-of-the-art performances on all datasets.
- Abstract（参考訳）: ドメイン適応は、ラベルリッチドメイン(ソースドメイン)を活用して、ラベルスカースドメイン(ターゲットドメイン)でのモデル学習を支援することを目的としています。
ほとんどのドメイン適応手法では、分散ミスマッチを減らすためにソースとターゲットのドメインサンプルの共存を必要とするが、ソースドメインサンプルへのアクセスは、異なる問題(ストレージ、トランスミッション、プライバシ問題など)のために、現実のアプリケーションで常に可能とは限らない。
本研究では,データフリーな教師なしドメイン適応問題に対処し,仮想ドメインモデリング(VDM-DA)と呼ばれる新しいアプローチを提案する。
仮想ドメインはソースとターゲットドメインの間のブリッジとして機能する。
一方,GMM(Gaussian Mixture Model)に基づく仮想ドメインサンプルを,事前学習したソースモデルで特徴空間内に生成し,元のソースデータにアクセスすることなく,仮想ドメインがソースドメインと類似した分布を維持する。
一方,本研究では,モデル学習による目標領域分布のコンパクトさを徐々に向上させることにより,仮想領域と対象領域との分布ばらつきを低減する効果的な分布アライメント手法も設計する。
このようにして、ソースドメインデータにアクセスすることなく、ディープネットワークをトレーニングすることで、ソースドメインとターゲットドメイン間の分散アライメントの目標を達成する。
提案手法は,VDM-DA(Domain Adaptation with Virtual Domain Modeling)と呼ばれる,2次元イメージベースおよび3次元ポイントクラウドベースのクロスドメインオブジェクト認識タスクのベンチマークデータセットについて広範な実験を行った。
関連論文リスト
- DomainVerse: A Benchmark Towards Real-World Distribution Shifts For
Tuning-Free Adaptive Domain Generalization [27.099706316752254]
我々はAdaptive Domain Generalization (ADG)のための新しいデータセットDomainVerseを確立する。
DomainVerseは、導入した階層的なドメインシフトの定義に相応しく、390のきめ細かい現実的なドメインから約0.5万の画像で構成されている。
チューニング不要適応型ドメイン一般化のためのDomain CLIPとDomain++ CLIPという2つの手法を提案する。
論文 参考訳（メタデータ） (2024-03-05T07:10:25Z) - SIDE: Self-supervised Intermediate Domain Exploration for Source-free
Domain Adaptation [36.470026809824674]
ドメイン適応は、ソースドメインからターゲットドメインに学習した知識を転送する際に、ドメインシフトを軽減することを目的としています。
プライバシの問題により、ソースフリードメイン適応(SFDA)は、最近非常に要求される一方で難しいものになっている。
本稿では、ドメインギャップを効果的に中間ドメインにブリッジする自己教師付き中間ドメイン探索(SIDE)を提案する。
論文 参考訳（メタデータ） (2023-10-13T07:50:37Z) - 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) - Generalized Source-free Domain Adaptation [47.907168218249694]
我々は、G-SFDA(Generalized Source-free Domain Adaptation)と呼ばれる新しいドメイン適応パラダイムを提案する。
目標性能は既存の DA 法や SFDA 法と同等かそれ以上であり、特に VisDA の最先端性能 (85.4%) を達成する。
論文 参考訳（メタデータ） (2021-08-03T16:34:12Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
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。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。
ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。
実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
論文 参考訳（メタデータ） (2021-03-19T01:22:12Z) - Multi-Source Domain Adaptation with Collaborative Learning for Semantic
Segmentation [32.95273803359897]
マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。
セマンティックセグメンテーションのための協調学習に基づく新しいマルチソース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） (2021-03-08T12:51:42Z) - 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) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-03-29T04:31:43Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z)
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。