論文の概要: Source-free Domain Adaptation via Avatar Prototype Generation and
Adaptation
- arxiv url: http://arxiv.org/abs/2106.15326v1
- Date: Fri, 18 Jun 2021 08:30:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-04 19:42:08.248701
- Title: Source-free Domain Adaptation via Avatar Prototype Generation and
Adaptation
- Title(参考訳): アバタープロトタイプ生成と適応によるソースフリードメイン適応
- Authors: Zhen Qiu, Yifan Zhang, Hongbin Lin, Shuaicheng Niu, Yanxia Liu, Qing
Du, Mingkui Tan
- Abstract要約: データプライバシの問題により、ソースドメインデータにアクセスできない、実用的なドメイン適応タスクについて検討する。
ソースデータとターゲットドメインラベルの欠如は、モデル適応を非常に困難にします。
本稿では,ソースモデルに隠れた知識を活用するために,CPGA法を提案する。
- 参考スコア(独自算出の注目度): 34.45208248728318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a practical domain adaptation task, called source-free unsupervised
domain adaptation (UDA) problem, in which we cannot access source domain data
due to data privacy issues but only a pre-trained source model and unlabeled
target data are available. This task, however, is very difficult due to one key
challenge: the lack of source data and target domain labels makes model
adaptation very challenging. To address this, we propose to mine the hidden
knowledge in the source model and exploit it to generate source avatar
prototypes (i.e., representative features for each source class) as well as
target pseudo labels for domain alignment. To this end, we propose a
Contrastive Prototype Generation and Adaptation (CPGA) method. Specifically,
CPGA consists of two stages: (1) prototype generation: by exploring the
classification boundary information of the source model, we train a prototype
generator to generate avatar prototypes via contrastive learning. (2) prototype
adaptation: based on the generated source prototypes and target pseudo labels,
we develop a new robust contrastive prototype adaptation strategy to align each
pseudo-labeled target data to the corresponding source prototypes. Extensive
experiments on three UDA benchmark datasets demonstrate the effectiveness and
superiority of the proposed method.
- Abstract(参考訳): データプライバシの問題によりソースドメインデータにアクセスできないが、事前トレーニング済みのソースモデルとラベルなしのターゲットデータのみを利用可能とする、source-free unsupervised domain adaptation(uda)問題と呼ばれる実用的なドメイン適応タスクについて検討する。
ソースデータとターゲットドメインラベルの欠如は、モデル適応を非常に困難にします。
そこで我々は、ソースモデルに隠された知識をマイニングし、それを利用して、ソースアバターのプロトタイプ(すなわち、ソースクラスの代表的特徴)とドメインアライメントのための擬似ラベルを生成することを提案する。
そこで本研究では,CPGA(Contrastive Prototype Generation and Adaptation)法を提案する。
具体的には,(1)プロトタイプ生成:ソースモデルの分類境界情報を探索することにより,コントラスト学習によりプロトタイプ生成器を訓練し,アバタープロトタイプを生成する。
2) プロトタイプ適応: 生成したソースプロトタイプと擬似ラベルに基づいて, それぞれの擬似ラベル付きターゲットデータを対応するソースプロトタイプに整合させる, 頑健なコントラスト型プロトタイプ適応戦略を開発する。
3つのUDAベンチマークデータセットに対する大規模な実験により,提案手法の有効性と優位性を示した。
関連論文リスト
- Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳(メタデータ) (2023-07-19T06:07:12Z) - Imbalance-Agnostic Source-Free Domain Adaptation via Avatar Prototype
Alignment [45.356399249491545]
Source-free Unsupervised Domain Adaptation (SF-UDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインに適応することを目的としている。
本稿では,ソースアバターのプロトタイプを生成するために,コントラシティブなプロトタイプ生成と適応(CPGA)手法を提案する。
実験により,T-CPGAは他のSF-UDA法よりも有意な性能を示した。
論文 参考訳(メタデータ) (2023-05-22T02:46:34Z) - A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。
PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。
その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
論文 参考訳(メタデータ) (2023-02-08T00:15:35Z) - BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy
for Source-free Domain Adaptation [74.93176783541332]
Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。
ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。
SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
論文 参考訳(メタデータ) (2022-04-06T13:23:02Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Model Adaptation: Historical Contrastive Learning for Unsupervised
Domain Adaptation without Source Data [32.77436219094282]
教師なしドメイン適応は、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をソースデータにアクセスすることなく調整することを目的としている。
本手法は,UMAにおける情報源データの欠如を補うために,歴史的情報源仮説を利用した革新的な歴史コントラスト学習(HCL)手法を設計する。
HCLは様々な視覚的タスクに対して一貫して最先端のメソッドを上回り補完する。
論文 参考訳(メタデータ) (2021-10-07T12:13:00Z) - Distill and Fine-tune: Effective Adaptation from a Black-box Source
Model [138.12678159620248]
Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。
Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-04T05:29:05Z)
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。