論文の概要: Unsupervised domain adaptation via double classifiers based on high confidence pseudo label

• arxiv url: http://arxiv.org/abs/2105.04729v1
• Date: Tue, 11 May 2021 00:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 03:59:33.436984
• Title: Unsupervised domain adaptation via double classifiers based on high confidence pseudo label
• Title（参考訳）: 高信頼擬似ラベルに基づく二重分類器による教師なしドメイン適応
• Authors: Huihuang Chen, Li Li, Jie Chen, Kuo-Yi Lin
• Abstract要約: Unsupervised Domain Adapt (UDA)は,ラベル付きソースドメインからラベル付きターゲットドメインへのナレッジ転送という問題を解決することを目的とする。 多くのドメイン適応(DA)メソッドは、Centroidを使って異なるドメインの局所分布を整列させ、異なるクラスを整列させる。 この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。
• 参考スコア（独自算出の注目度）: 8.132250810529873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to solve the problem of knowledge transfer from labeled source domain to unlabeled target domain. Recently, many domain adaptation (DA) methods use centroid to align the local distribution of different domains, that is, to align different classes. This improves the effect of domain adaptation, but domain differences exist not only between classes, but also between samples. This work rethinks what is the alignment between different domains, and studies how to achieve the real alignment between different domains. Previous DA methods only considered one distribution feature of aligned samples, such as full distribution or local distribution. In addition to aligning the global distribution, the real domain adaptation should also align the meso distribution and the micro distribution. Therefore, this study propose a double classifier method based on high confidence label (DCP). By aligning the centroid and the distribution between centroid and sample of different classifiers, the meso and micro distribution alignment of different domains is realized. In addition, in order to reduce the chain error caused by error marking, This study propose a high confidence marking method to reduce the marking error. To verify its versatility, this study evaluates DCP on digital recognition and target recognition data sets. The results show that our method achieves state-of-the-art results on most of the current domain adaptation benchmark datasets.
• Abstract（参考訳）: unsupervised domain adaptation(uda)は、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知識転送の問題を解決することを目的としている。 近年、多くのドメイン適応(DA)手法は、異なるドメインの局所分布、すなわち異なるクラスを整列するために、セントロイドを用いている。 これにより、ドメイン適応の効果が向上するが、クラス間だけでなく、サンプル間もドメインの違いが存在する。 この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。 従来のDA法では, 完全分布や局所分布など, 整列したサンプルの分布特性のみを考慮していた。 グローバル分布の整合性に加えて、実際のドメイン適応はメソ分布とマイクロ分布の整合性も必要である。 そこで本研究では,高信頼ラベル(DCP)に基づく二重分類法を提案する。 異なる分類器のセントロイドとサンプル間の分布を整合させることにより、異なるドメインのメソおよびマイクロ分布アライメントを実現する。 また,誤りマーキングによるチェーンエラーを低減するために,マーキングエラーを低減するための信頼性の高いマーキング手法を提案する。 本研究は,その汎用性を検証するため,デジタル認識およびターゲット認識データセットにおけるdcpを評価する。 その結果,本手法は現在のドメイン適応ベンチマークデータセットのほとんどにおいて最先端の結果が得られることがわかった。

関連論文リスト

• centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
  IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。 実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-21T10:35:32Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• 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)
• Cross-Region Domain Adaptation for Class-level Alignment [32.586107376036075]
  本稿では,2つの特徴分布を対象領域に整列させる手法を提案する。 自己学習フレームワークを使用して、イメージを2つのリージョンに分割し、特徴空間を整列させるために2つのディストリビューションを形成する。 このアプローチを、異なる領域分布を整合させる従来の方法と区別するために、クロスリージョン適応(CRA)と呼ぶ。
  論文  参考訳（メタデータ） (2021-09-14T04:13:35Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• 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)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)

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。