論文の概要: Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2103.15973v1
- Date: Mon, 29 Mar 2021 22:18:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 15:01:59.009665
- Title: Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation
- Title(参考訳): 非教師なし領域適応のための負アンサンブル学習による適応的擬似ラベル再構成
- Authors: Waqar Ahmed, Pietro Morerio and Vittorio Murino
- Abstract要約: 既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
- 参考スコア(独自算出の注目度): 35.728603077621564
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The majority of existing Unsupervised Domain Adaptation (UDA) methods
presumes source and target domain data to be simultaneously available during
training. Such an assumption may not hold in practice, as source data is often
inaccessible (e.g., due to privacy reasons). On the contrary, a pre-trained
source model is always considered to be available, even though performing
poorly on target due to the well-known domain shift problem. This translates
into a significant amount of misclassifications, which can be interpreted as
structured noise affecting the inferred target pseudo-labels. In this work, we
cast UDA as a pseudo-label refinery problem in the challenging source-free
scenario. We propose a unified method to tackle adaptive noise filtering and
pseudo-label refinement. A novel Negative Ensemble Learning technique is
devised to specifically address noise in pseudo-labels, by enhancing diversity
in ensemble members with different stochastic (i) input augmentation and (ii)
feedback. In particular, the latter is achieved by leveraging the novel concept
of Disjoint Residual Labels, which allow diverse information to be fed to the
different members. A single target model is eventually trained with the refined
pseudo-labels, which leads to a robust performance on the target domain.
Extensive experiments show that the proposed method, named Adaptive
Pseudo-Label Refinement, achieves state-of-the-art performance on major UDA
benchmarks, such as Digit5, PACS, Visda-C, and DomainNet, without using source
data at all.
- Abstract(参考訳): 既存のUnsupervised Domain Adaptation(UDA)メソッドの大部分は、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定している。
このような仮定は、ソースデータがしばしばアクセスできない(例えば、プライバシー上の理由から)ため、実際には成立しない。
それとは対照的に、よく知られたドメインシフト問題によりターゲットが不適切な場合でも、事前訓練されたソースモデルが常に利用可能であると考えられる。
これはかなりの量の誤分類となり、推定されたターゲットの擬似ラベルに影響を与える構造的ノイズと解釈できる。
本研究では, 未解決のシナリオにおいて, uda を疑似ラベル精製問題として位置づけた。
適応雑音フィルタリングと擬似ラベル改善に対処する統一手法を提案する。
異なる確率的(i)入力増強と(ii)フィードバックを持つアンサンブルメンバーの多様性を高めることにより、擬似ラベルのノイズに特異的に対処する新しい負アンサンブル学習手法が考案された。
特に後者は、異なるメンバーに多様な情報を供給できる、新しい概念である Disjoint Residual Labels を活用することで実現されている。
単一のターゲットモデルは、最終的に洗練された擬似ラベルで訓練され、ターゲットドメインで堅牢なパフォーマンスをもたらす。
拡張実験により,Adaptive Pseudo-Label Refinement と呼ばれる提案手法は,ソースデータを全く使わずに,Digit5,PACS,Visda-C,DomainNet などの主要な UDA ベンチマーク上で最先端のパフォーマンスを実現することがわかった。
関連論文リスト
- Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。
本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
論文 参考訳(メタデータ) (2024-03-17T16:19:40Z) - De-Confusing Pseudo-Labels in Source-Free Domain Adaptation [14.954662088592762]
ソースのないドメイン適応は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース訓練されたモデルを適用することを目的としている。
本稿では,ドメイン適応設定における雑音分布に対処するための新しいノイズ学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-03T10:07:11Z) - Unsupervised Domain Adaptation for Semantic Segmentation with Pseudo
Label Self-Refinement [9.69089112870202]
擬似ラベルのオンライン精錬のための補助的擬似ラベル精錬ネットワーク(PRN)を提案する。
3つの異なるドメインシフトを持つベンチマークデータセットに対する我々のアプローチを評価する。
論文 参考訳(メタデータ) (2023-10-25T20:31:07Z) - Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。
提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
論文 参考訳(メタデータ) (2022-10-04T15:20:01Z) - CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal
Assignment and Pseudo-Label Refinement [84.10513481953583]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。
ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。
本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
論文 参考訳(メタデータ) (2022-05-26T18:45:04Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳(メタデータ) (2021-04-19T08:46:08Z) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-10T01:42:35Z) - Unsupervised Domain Adaptation for Person Re-Identification through
Source-Guided Pseudo-Labeling [2.449909275410288]
人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。
Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。
ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-20T14:54:42Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳(メタデータ) (2020-02-20T03:13:58Z)
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。