論文の概要: Towards Novel Target Discovery Through Open-Set Domain Adaptation
- arxiv url: http://arxiv.org/abs/2105.02432v1
- Date: Thu, 6 May 2021 04:22:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 13:26:16.048179
- Title: Towards Novel Target Discovery Through Open-Set Domain Adaptation
- Title(参考訳): オープンセットドメイン適応による新しいターゲット発見に向けて
- Authors: Taotao Jing, Hong Liu, Zhengming Ding
- Abstract要約: オープンソースドメイン適応(OSDA)は、ターゲットドメインが外部のソースドメインでは観察できない新しいカテゴリのサンプルを含むと考えている。
対象領域に見られるカテゴリを正確に識別し,未知のカテゴリのセマンティクス特性を効果的に回復するための新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 73.81537683043206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-set domain adaptation (OSDA) considers that the target domain contains
samples from novel categories unobserved in external source domain.
Unfortunately, existing OSDA methods always ignore the demand for the
information of unseen categories and simply recognize them as "unknown" set
without further explanation. This motivates us to understand the unknown
categories more specifically by exploring the underlying structures and
recovering their interpretable semantic attributes. In this paper, we propose a
novel framework to accurately identify the seen categories in target domain,
and effectively recover the semantic attributes for unseen categories.
Specifically, structure preserving partial alignment is developed to recognize
the seen categories through domain-invariant feature learning. Attribute
propagation over visual graph is designed to smoothly transit attributes from
seen to unseen categories via visual-semantic mapping. Moreover, two new
cross-main benchmarks are constructed to evaluate the proposed framework in the
novel and practical challenge. Experimental results on open-set recognition and
semantic recovery demonstrate the superiority of the proposed method over other
compared baselines.
- Abstract(参考訳): オープンセットドメイン適応(OSDA)は、対象ドメインが外部ソースドメインで観測されていない新しいカテゴリのサンプルを含んでいると考えている。
残念ながら、既存のOSDAメソッドは、目に見えないカテゴリの情報に対する要求を常に無視し、詳細を説明せずに単に「未知の」集合として認識する。
これにより、基盤となる構造を探索し、解釈可能なセマンティック属性を回復することで、未知のカテゴリをより具体的に理解する動機付けとなります。
本稿では,対象領域で見られるカテゴリを正確に識別し,未知のカテゴリのセマンティック属性を効果的に回収するフレームワークを提案する。
具体的には, 部分的アライメントを保持する構造を開発し, 出現するカテゴリをドメイン不変特徴学習によって認識する。
視覚的グラフ上の属性伝播は、視覚的な意味マッピングを通じて、目に見えるカテゴリから見えないカテゴリへ属性をスムーズに転送するように設計されている。
さらに,提案手法を評価するために,新たな2つのクロスメインベンチマークを構築した。
オープンセット認識とセマンティックリカバリの実験結果は,提案手法が他の比較ベースラインよりも優れていることを示す。
関連論文リスト
- DynAlign: Unsupervised Dynamic Taxonomy Alignment for Cross-Domain Segmentation [15.303659468173334]
我々は、イメージレベルとラベルレベルのドメインギャップを橋渡しするために、UDAと基礎モデルを統合するフレームワークであるDynAlignを紹介します。
我々のアプローチは、事前のセマンティック知識を活用して、新しい、よりきめ細かな、あるいは異なる名前で呼ばれる可能性のある、ソースカテゴリとターゲットカテゴリを整合させる。
DynAlignは、手動のアノテーションを必要とせずに、新しいターゲットラベル空間で正確な予測を生成する。
論文 参考訳(メタデータ) (2025-01-27T18:57:19Z) - Category-Adaptive Cross-Modal Semantic Refinement and Transfer for Open-Vocabulary Multi-Label Recognition [59.203152078315235]
本稿では,カテゴリ適応型クロスモーダル・セマンティック・リファインメント・アンド・トランスファー(C$2$SRT)フレームワークを提案する。
提案するフレームワークは,2つの相補的モジュール,すなわち,カテゴリ内セマンティックリファインメント(ISR)モジュールと,カテゴリ間セマンティックトランスファー(IST)モジュールから構成される。
OV-MLRベンチマークの実験は、提案されたC$2$SRTフレームワークが現在の最先端アルゴリズムより優れていることを明らかに示している。
論文 参考訳(メタデータ) (2024-12-09T04:00:18Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - Open Set Domain Recognition via Attention-Based GCN and Semantic
Matching Optimization [8.831857715361624]
本研究では,注意に基づくGCNとセマンティックマッチング最適化に基づくエンドツーエンドモデルを提案する。
実験結果から,提案モデルが未知のクラスの画像認識に優れるだけでなく,対象領域の様々な開放性にも適応できることが確認された。
論文 参考訳(メタデータ) (2021-05-11T12:05:36Z) - MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain
Adaptive Object Detection [80.24165350584502]
カテゴリ対応ドメイン適応のためのメモリガイドアテンションを提案する。
提案手法は,カテゴリー分類器を用いてカテゴリ認識特徴のアライメントを保証する。
この方法はいくつかのベンチマークデータセットで評価され、既存のアプローチを上回ることが示されています。
論文 参考訳(メタデータ) (2021-03-07T01:08:21Z) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳(メタデータ) (2020-08-27T01:29:10Z) - Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。
クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
論文 参考訳(メタデータ) (2020-06-11T16:19:02Z)
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。