論文の概要: Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification

• arxiv url: http://arxiv.org/abs/2106.08590v1
• Date: Wed, 16 Jun 2021 07:29:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 17:24:00.227482
• Title: Domain Consistency Regularization for Unsupervised Multi-source Domain Adaptive Classification
• Title（参考訳）: 教師なしマルチソースドメイン適応分類のためのドメイン一貫性規則化
• Authors: Zhipeng Luo, Xiaobing Zhang, Shijian Lu, Shuai Yi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 57.92800886719651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based multi-source unsupervised domain adaptation (MUDA) has been actively studied in recent years. Compared with single-source unsupervised domain adaptation (SUDA), domain shift in MUDA exists not only between the source and target domains but also among multiple source domains. Most existing MUDA algorithms focus on extracting domain-invariant representations among all domains whereas the task-specific decision boundaries among classes are largely neglected. In this paper, we propose an end-to-end trainable network that exploits domain Consistency Regularization for unsupervised Multi-source domain Adaptive classification (CRMA). CRMA aligns not only the distributions of each pair of source and target domains but also that of all domains. For each pair of source and target domains, we employ an intra-domain consistency to regularize a pair of domain-specific classifiers to achieve intra-domain alignment. In addition, we design an inter-domain consistency that targets joint inter-domain alignment among all domains. To address different similarities between multiple source domains and the target domain, we design an authorization strategy that assigns different authorities to domain-specific classifiers adaptively for optimal pseudo label prediction and self-training. Extensive experiments show that CRMA tackles unsupervised domain adaptation effectively under a multi-source setup and achieves superior adaptation consistently across multiple MUDA datasets.
• Abstract（参考訳）: 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。 suda(single-source unsupervised domain adaptation)と比較すると、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間に存在する。 既存のMUDAアルゴリズムの多くは、すべてのドメイン間のドメイン不変表現の抽出に重点を置いている。 本稿では,非教師付きマルチソースドメイン適応分類(crma)のドメイン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。 CRMAは、ソースとターゲットの各ドメインの分布だけでなく、すべてのドメインの分布も調整します。 ソースとターゲットの各ドメインに対して、ドメイン内整合性を用いてドメイン内整合性を達成するために、ドメイン固有の分類器のペアを正規化する。 さらに,ドメイン間の整合性を設計し,ドメイン間の整合性を設計する。 複数のソースドメインとターゲットドメインの異なる類似性に対処するために、異なる権限をドメイン固有の分類器に割り当て、最適な擬似ラベル予測と自己学習に適応させる認可戦略を設計する。 大規模な実験により、CRMAはマルチソース設定下で非教師なしのドメイン適応に効果的に取り組み、複数のMUDAデータセットに対して一貫して優れた適応を実現することが示された。

関連論文リスト

• Discovering Domain Disentanglement for Generalized Multi-source Domain Adaptation [48.02978226737235]
  典型的なマルチソースドメイン適応(MSDA)アプローチは、ラベル付きソースドメインから学習した知識を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る。 本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-11T04:33:08Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Bridging the Source-to-target Gap for Cross-domain Person Re-Identification with Intermediate Domains [63.23373987549485]
  クロスドメインの人物再識別(re-ID)は、ソースからターゲットドメインに識別された知識を転送することを目的としている。 中間ドメインモジュール(IDM)とミラー生成モジュール(MGM)を提案する。 IDMは、ソースドメインとターゲットドメインから隠れた層の特徴を混合することにより、複数の中間ドメインを生成する。 MGMは、特徴をIDM生成中間ドメインにマッピングすることで、元のアイデンティティを変更することなく導入される。
  論文  参考訳（メタデータ） (2022-03-03T12:44:56Z)
• Aligning Domain-specific Distribution and Classifier for Cross-domain Classification from Multiple Sources [25.204055330850164]
  教師なしドメイン適応のための2つのアライメントステージを持つ新しいフレームワークを提案する。 本手法は画像分類のための一般的なベンチマークデータセットにおいて顕著な結果が得られる。
  論文  参考訳（メタデータ） (2022-01-04T06:35:11Z)
• Universal Multi-Source Domain Adaptation [17.045689789877926]
  教師なしのドメイン適応により、インテリジェントモデルは、ラベル付きソースドメインから類似しているがラベルなしのターゲットドメインに知識を転送することができる。 ユニバーサルドメイン適応 (Universal Domain Adaptation, UDA) という,あるソースドメインから別の未知のターゲットドメインに知識を移すことが最近の研究で明らかになっている。 モデルの複雑さを増大させることなく、領域適応問題を解決するために、ユニバーサルなマルチソース適応ネットワーク(UMAN)を提案する。
  論文  参考訳（メタデータ） (2020-11-05T00:20:38Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。