論文の概要: Multi-Target Domain Adaptation with Collaborative Consistency Learning

• arxiv url: http://arxiv.org/abs/2106.03418v1
• Date: Mon, 7 Jun 2021 08:36:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 18:02:05.534044
• Title: Multi-Target Domain Adaptation with Collaborative Consistency Learning
• Title（参考訳）: 協調一貫性学習によるマルチターゲットドメイン適応
• Authors: Takashi Isobe, Xu Jia, Shuaijun Chen, Jianzhong He, Yongjie Shi, Jianzhuang Liu, Huchuan Lu, Shengjin Wang
• Abstract要約: 教師なしマルチターゲットドメイン適応を実現するための協調学習フレームワークを提案する。 提案手法は,ラベル付きソースドメインとラベルなしターゲットドメインの両方に含まれるリッチな構造化情報を効果的に利用することができる。
• 参考スコア（独自算出の注目度）: 105.7615147382486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently unsupervised domain adaptation for the semantic segmentation task has become more and more popular due to high-cost of pixel-level annotation on real-world images. However, most domain adaptation methods are only restricted to single-source-single-target pair, and can not be directly extended to multiple target domains. In this work, we propose a collaborative learning framework to achieve unsupervised multi-target domain adaptation. An unsupervised domain adaptation expert model is first trained for each source-target pair and is further encouraged to collaborate with each other through a bridge built between different target domains. These expert models are further improved by adding the regularization of making the consistent pixel-wise prediction for each sample with the same structured context. To obtain a single model that works across multiple target domains, we propose to simultaneously learn a student model which is trained to not only imitate the output of each expert on the corresponding target domain, but also to pull different expert close to each other with regularization on their weights. Extensive experiments demonstrate that the proposed method can effectively exploit rich structured information contained in both labeled source domain and multiple unlabeled target domains. Not only does it perform well across multiple target domains but also performs favorably against state-of-the-art unsupervised domain adaptation methods specially trained on a single source-target pair
• Abstract（参考訳）: 近年,実世界の画像におけるピクセルレベルのアノテーションの高コスト化により,セマンティックセグメンテーションタスクに対する教師なしドメイン適応が一般化している。 しかし、ほとんどのドメイン適応メソッドは単一ソース・シングル・ターゲットのペアに限定され、複数のターゲットドメインに直接拡張することはできない。 本研究では,教師なしマルチターゲットドメイン適応を実現するための協調学習フレームワークを提案する。 教師なしドメイン適応エキスパートモデルは、まず、ソースとターゲットのペアごとに訓練され、さらに異なるターゲットドメイン間で構築されたブリッジを介して互いに協力することが推奨される。 これらのエキスパートモデルは、同じ構造化されたコンテキストで各サンプルの一貫したピクセル単位での予測を規則化することでさらに改善される。 複数の対象領域にまたがって機能する単一モデルを得るために,各対象領域における各専門家の出力を模倣するだけでなく,それぞれの重みを正規化して互いに近づき合うように訓練された学生モデルを同時に学習することを提案する。 提案手法は,ラベル付きソースドメインとラベルなしターゲットドメインの両方に含まれるリッチな構造化情報を効果的に活用できることを示す。 複数のターゲットドメインでうまく機能するだけでなく、単一のソースとターゲットのペアで特別に訓練された最先端の教師なしドメイン適応メソッドに対して有利に機能する。

関連論文リスト

• Meta-DMoE: Adapting to Domain Shift by Meta-Distillation from Mixture-of-Experts [33.21435044949033]
  既存のほとんどのメソッドは、単一のモデルを使って複数のソースドメインでトレーニングを行います。 本稿では,知識蒸留プロセスとして定式化された非教師なし試験時間適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-08T02:28:10Z)
• MultiMatch: Multi-task Learning for Semi-supervised Domain Generalization [55.06956781674986]
  我々は、各ソースドメインにいくつかのラベル情報がある半教師付きドメイン一般化タスクの解決に頼っている。 我々は、MultiMatchを提案し、FixMatchをマルチタスク学習フレームワークに拡張し、SSDGのための高品質な擬似ラベルを生成する。 提案手法の有効性を検証し,いくつかのベンチマークDGデータセット上で既存の半教師付き手法とSSDG法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-11T14:44:33Z)
• ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for Open Compound Domain Adaptation in Semantic Segmentation [78.19743899703052]
  オープン化合物ドメイン適応(OCDA)は、ターゲットドメインを複数の未知の同質体の化合物とみなしている。 目的とするサブドメインに適応するために,双方向光度ミキシングを用いたマルチテキサフレームワークを提案する。 適応蒸留を行い、学生モデルを学習し、整合性正規化を適用して生徒の一般化を改善する。
  論文  参考訳（メタデータ） (2022-07-19T03:30:48Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Reiterative Domain Aware Multi-target Adaptation [14.352214079374463]
  本稿では,各対象領域を複数回繰り返して適応性能を向上させるReiterative D-CGCT(RD-CGCT)を提案する。 RD-CGCTは、Office-HomeおよびOffice31データセットのD-CGCTよりも大幅に性能を向上する。
  論文  参考訳（メタデータ） (2021-08-26T17:12:25Z)
• Multi-Target Adversarial Frameworks for Domain Adaptation in Semantic Segmentation [32.39557675340562]
  複数の対象ドメインが存在する場合のセマンティックセグメンテーションにおける教師なしドメイン適応(UDA)の課題に対処する。 i) 対象ドメインを対象ドメインに明示的にアライメントするマルチ識別器と,(ii) 対象非依存モデルを学ぶマルチターゲット知識伝達という2つの逆方向のフレームワークを導入する。 すべてのテストシナリオにおいて、我々のアプローチはベースラインを一貫して上回り、新しいタスクの競争標準を設定します。
  論文  参考訳（メタデータ） (2021-08-16T08:36:10Z)
• Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification [57.92800886719651]
  近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。 MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。 本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-16T07:29:27Z)
• Multi-Source Domain Adaptation with Collaborative Learning for Semantic Segmentation [32.95273803359897]
  マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。 セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T12:51:42Z)
• Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain Adaptive Semantic Segmentation [102.42638795864178]
  セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。 対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。 その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。 モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
  論文  参考訳（メタデータ） (2020-12-15T13:21:54Z)
• Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain Adaptation [7.538482310185133]
  本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。 Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
  論文  参考訳（メタデータ） (2020-05-25T19:54:38Z)

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。