論文の概要: Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning
- arxiv url: http://arxiv.org/abs/2104.09136v1
- Date: Mon, 19 Apr 2021 08:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 23:48:04.108681
- Title: Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning
- Title（参考訳）: 原型アライメントと一貫性学習を用いた半教師付きドメイン適応
- Authors: Kai Li, Chang Liu, Handong Zhao, Yulun Zhang, Yun Fu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 86.6929930921905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Domain adaptation enhances generalizability of a model across domains with
domain shifts. Most research effort has been spent on Unsupervised Domain
Adaption (UDA) which trains a model jointly with labeled source data and
unlabeled target data. This paper studies how much it can help address domain
shifts if we further have a few target samples (e.g., one sample per class)
labeled. This is the so-called semi-supervised domain adaptation (SSDA) problem
and the few labeled target samples are termed as ``landmarks''. To explore the
full potential of landmarks, we incorporate a prototypical alignment (PA)
module which calculates a target prototype for each class from the landmarks;
source samples are then aligned with the target prototype from the same class.
To further alleviate label scarcity, we propose a data augmentation based
solution. Specifically, we severely perturb the labeled images, making PA
non-trivial to achieve and thus promoting model generalizability. Moreover, we
apply consistency learning on unlabeled target images, by perturbing each image
with light transformations and strong transformations. Then, the strongly
perturbed image can enjoy ``supervised-like'' training using the pseudo label
inferred from the lightly perturbed one. Experiments show that the proposed
method, though simple, reaches significant performance gains over
state-of-the-art methods, and enjoys the flexibility of being able to serve as
a plug-and-play component to various existing UDA methods and improve
adaptation performance with landmarks provided. Our code is available at
\url{https://github.com/kailigo/pacl}.
- Abstract（参考訳）: ドメイン適応は、ドメインシフトを伴うドメイン間のモデルの一般化性を高める。
ほとんどの研究は、ラベル付きソースデータとラベル付きターゲットデータとともにモデルをトレーニングするUnsupervised Domain Adaption (UDA)に費やされている。
本稿では,いくつかの対象サンプル(例えば,クラス毎に1つのサンプル)がラベル付けされている場合,ドメインシフトの対処にどの程度役立つかを検討する。
これはいわゆる半教師付きドメイン適応(SSDA)問題であり、数少ないラベル付きターゲットサンプルは'landmarks'と呼ばれる。
ランドマークの完全な可能性を探るため、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み、ソースサンプルを同じクラスからターゲットプロトタイプにアライメントする。
さらにラベルの不足を軽減するために,データ拡張に基づくソリューションを提案する。
具体的には,ラベル付き画像に深刻な摂動が生じ,PAを非自明にし,モデル一般化性を促進する。
さらに、光変換と強い変換で各画像を摂動することで、ラベルのない対象画像に一貫性学習を適用する。
そして、強い摂動画像は、軽い摂動画像から推測される擬似ラベルを用いて「教師的な」訓練を楽しむことができる。
実験により,提案手法は,既存のUDA方式にプラグイン・アンド・プレイ・コンポーネントとして機能し,ランドマークを付与して適応性能を向上させることの柔軟性を享受できることがわかった。
私たちのコードは \url{https://github.com/kailigo/pacl} で利用可能です。
関連論文リスト
- AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。
これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。
その結果,全データセットのセグメンテーション性能は大幅に向上した。
論文 参考訳（メタデータ） (2024-10-06T23:04:29Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Semi-supervised Domain Adaptation via Prototype-based Multi-level
Learning [4.232614032390374]
半教師付きドメイン適応(SSDA)では、各クラスのいくつかのラベル付きターゲットサンプルが、完全なラベル付きソースドメインからターゲットドメインへの知識表現の転送を支援する。
本稿では,ラベル付き対象サンプルの可能性をうまく活用するために,プロトタイプベースのマルチレベル学習(ProML)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-04T10:09:30Z) - 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) - Style Mixing and Patchwise Prototypical Matching for One-Shot
Unsupervised Domain Adaptive Semantic Segmentation [21.01132797297286]
ワンショットの教師なしドメイン適応では、セグメンタはトレーニング中にラベルなしのターゲットイメージを1つしか見ることができない。
このような計算負担を効果的に軽減できるOSUDA法を提案する。
提案手法は,ドメイン適応型セマンティックセグメンテーションのための2つの一般的なベンチマーク上で,最先端性能を実現する。
論文 参考訳（メタデータ） (2021-12-09T02:47:46Z) - Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数の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タスク知識の転送を扱う。
ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文 参考訳（メタデータ） (2021-03-20T12:44:13Z) - 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) - Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。
これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。
対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
論文 参考訳（メタデータ） (2020-07-08T10:54:21Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。