論文の概要: Semi-Supervised Domain Adaptation via Selective Pseudo Labeling and Progressive Self-Training

• arxiv url: http://arxiv.org/abs/2104.00319v1
• Date: Thu, 1 Apr 2021 07:56:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:39:37.065209
• Title: Semi-Supervised Domain Adaptation via Selective Pseudo Labeling and Progressive Self-Training
• Title（参考訳）: Selective Pseudo LabelingとProgressive Self-Trainingによる半教師付きドメイン適応
• Authors: Yoonhyung Kim and Changick Kim
• Abstract要約: ドメイン適応 (da) は、知識をラベル不足のソースドメインからラベル対応対象ドメインに転送する表現学習手法である。 本稿では,半監視DA(SSDA)のラベル付きターゲット画像を利用する新しい手法を提案する。 具体的には,ラベル付きターゲット画像を用いて,非ラベル付きターゲット画像の擬似ラベルを選択的に生成する。
• 参考スコア（独自算出の注目度）: 29.26946084226505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation (DA) is a representation learning methodology that transfers knowledge from a label-sufficient source domain to a label-scarce target domain. While most of early methods are focused on unsupervised DA (UDA), several studies on semi-supervised DA (SSDA) are recently suggested. In SSDA, a small number of labeled target images are given for training, and the effectiveness of those data is demonstrated by the previous studies. However, the previous SSDA approaches solely adopt those data for embedding ordinary supervised losses, overlooking the potential usefulness of the few yet informative clues. Based on this observation, in this paper, we propose a novel method that further exploits the labeled target images for SSDA. Specifically, we utilize labeled target images to selectively generate pseudo labels for unlabeled target images. In addition, based on the observation that pseudo labels are inevitably noisy, we apply a label noise-robust learning scheme, which progressively updates the network and the set of pseudo labels by turns. Extensive experimental results show that our proposed method outperforms other previous state-of-the-art SSDA methods.
• Abstract（参考訳）: ドメイン適応 (da) は、知識をラベル不足のソースドメインからラベル対応対象ドメインに転送する表現学習手法である。 初期の手法のほとんどは教師なしDA(UDA)に重点を置いているが、最近は半教師なしDA(SSDA)の研究もいくつか提案されている。 SSDAでは,少数のラベル付き対象画像がトレーニング用に付与され,これらのデータの有効性が以前の研究で実証された。 しかし、従来のSSDAアプローチでは、通常の監視された損失を埋め込むためにのみ、これらのデータを採用していた。 本稿では,この観察に基づいて,ssaのラベル付きターゲット画像をさらに活用する新しい手法を提案する。 具体的には、ラベル付きターゲット画像を用いて、ラベルなしターゲット画像の擬似ラベルを選択的に生成する。 また,疑似ラベルが必然的にうるさいという観測に基づいて,ラベルノイズロバスト学習方式を適用し,ネットワークと疑似ラベルの集合を順次更新する。 広範な実験結果から,提案手法は他の最先端ssda法よりも優れていた。

関連論文リスト

• 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)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Improving Pseudo Labels With Intra-Class Similarity for Unsupervised Domain Adaptation [14.059958451082544]
  対象領域における擬似ラベルの精度を向上させるための新しい手法を提案する。 提案手法は、擬似ラベルの精度を高め、さらに識別性や領域不変性を高めることができる。
  論文  参考訳（メタデータ） (2022-07-25T12:42:24Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• 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)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  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。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• Cycle Self-Training for Domain Adaptation [85.14659717421533]
  Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。 CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。 実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
  論文  参考訳（メタデータ） (2021-03-05T10:04:25Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification [25.96221714337815]
  ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。 既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。 本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
  論文  参考訳（メタデータ） (2020-09-13T10:12:02Z)
• Domain Adaptation with Auxiliary Target Domain-Oriented Classifier [115.39091109079622]
  ドメイン適応は、知識をラベルリッチだが異質なドメインからラベルケアドメインに転送することを目的としている。 最も一般的なSSLテクニックの1つは、ラベルのない各データに擬似ラベルを割り当てる擬似ラベル付けである。 我々はAuxiliary Target Domain-Oriented (ATDOC) と呼ばれる新しい擬似ラベリングフレームワークを提案する。 ATDOCは、ターゲットデータのみのための補助分類器を導入してバイアスを軽減し、擬似ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T15:01:35Z)

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。