論文の概要: Spectral Unsupervised Domain Adaptation for Visual Recognition

• arxiv url: http://arxiv.org/abs/2106.06112v1
• Date: Fri, 11 Jun 2021 01:31:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 05:01:43.104441
• Title: Spectral Unsupervised Domain Adaptation for Visual Recognition
• Title（参考訳）: スペクトル非教師なし領域適応による視覚認識
• Authors: Jingyi Zhang, Jiaxing Huang and Shijian Lu
• Abstract要約: 教師なしドメイン適応(UDA)は、1つまたは複数の関連するソースドメインからラベル付きデータを活用することにより、ラベルなしのターゲットドメインで十分にパフォーマンスの高いモデルを学ぶことを目的としている。 本稿では、スペクトル空間で機能し、検出、分類、セグメンテーションにおいて様々な視覚認識タスクにまたがる、効率的かつ効率的なUDA技術であるSpectral UDA(SUDA)を提案する。
• 参考スコア（独自算出の注目度）: 43.04467182860468
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to learn a well-performed model in an unlabeled target domain by leveraging labeled data from one or multiple related source domains. It remains a great challenge due to 1) the lack of annotations in the target domain and 2) the rich discrepancy between the distributions of source and target data. We propose Spectral UDA (SUDA), an efficient yet effective UDA technique that works in the spectral space and is generic across different visual recognition tasks in detection, classification and segmentation. SUDA addresses UDA challenges from two perspectives. First, it mitigates inter-domain discrepancies by a spectrum transformer (ST) that maps source and target images into spectral space and learns to enhance domain-invariant spectra while suppressing domain-variant spectra simultaneously. To this end, we design novel adversarial multi-head spectrum attention that leverages contextual information to identify domain-variant and domain-invariant spectra effectively. Second, it mitigates the lack of annotations in target domain by introducing multi-view spectral learning which aims to learn comprehensive yet confident target representations by maximizing the mutual information among multiple ST augmentations capturing different spectral views of each target sample. Extensive experiments over different visual tasks (e.g., detection, classification and segmentation) show that SUDA achieves superior accuracy and it is also complementary with state-of-the-art UDA methods with consistent performance boosts but little extra computation.
• Abstract（参考訳）: unsupervised domain adaptation (uda) は、1つまたは複数の関連するソースドメインのラベル付きデータを活用することで、ラベルなしのターゲットドメインでうまく表現されたモデルを学ぶことを目的としている。 1) 対象領域におけるアノテーションの欠如,2) ソースとターゲットデータの分布のばらつきが豊富であるため,依然として大きな課題である。 本稿では、スペクトル空間で機能し、検出、分類、セグメンテーションにおいて様々な視覚認識タスクにまたがる、効率的かつ効率的なUDA技術であるSpectral UDA(SUDA)を提案する。 SuDAは2つの観点からUDAの課題に対処する。 まず、ソース画像とターゲット画像をスペクトル空間にマッピングし、ドメイン不変スペクトルを同時に抑制しながらドメイン不変スペクトルを強化するスペクトル変換器(ST)によりドメイン間不一致を緩和する。 この目的のために、コンテキスト情報を利用してドメイン不変およびドメイン不変のスペクトルを効果的に識別する新しい逆多重ヘッドスペクトルアテンションを設計する。 第2に、多視点スペクトル学習を導入し、各対象試料の異なるスペクトルビューをキャプチャする複数のSTオーグメンテーション間の相互情報を最大化し、包括的かつ確実なターゲット表現を学習することを目的とする。 異なる視覚的タスク(例えば、検出、分類、セグメンテーション)に対する広範囲な実験は、SUDAが優れた精度を達成し、一貫した性能向上と余分な計算の少ない最先端のUDA手法と相補的であることを示している。

関連論文リスト

• S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
  ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。 シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。 いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
  論文  参考訳（メタデータ） (2024-08-11T15:58:24Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling [4.33404822906643]
  半教師付きドメイン適応法は、ソースラベル付きドメインからの情報を利用して、少ないラベル付きターゲットドメインを一般化する。 このような設定は半教師付き不均質ドメイン適応(SSHDA)と表記される。 SHEDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)は,対象ドメインの学習に適したエンドツーエンドのニューラルネットワークフレームワークである。
  論文  参考訳（メタデータ） (2024-06-20T08:02:49Z)
• Unified Domain Adaptive Semantic Segmentation [96.74199626935294]
  Unsupervised Adaptive Domain Semantic (UDA-SS)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監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果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） (2023-11-22T09:18:49Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for Multi-Source Domain Adaptation [2.734665397040629]
  マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。 異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。 本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:08:41Z)
• 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)

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。