論文の概要: Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without Source Data

• arxiv url: http://arxiv.org/abs/2107.06707v1
• Date: Wed, 14 Jul 2021 13:54:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 18:50:43.499752
• Title: Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without Source Data
• Title（参考訳）: ソースデータのない半監督領域適応のための不確かさ誘導混合
• Authors: Ning Ma, Jiajun Bu, Zhen Zhang, Sheng Zhou
• Abstract要約: ソースフリーなドメイン適応は、ソースデータにアクセスせずにドメイン適応を行うことによって問題を解決することを目的としている。 提案する不確実性誘導型Mixupは,表現のドメイン内差を低減し,ソースデータに直接アクセスすることなくドメイン間アライメントを行う。 提案手法は,最近の半教師付きベースラインよりも優れており,教師なし変種は競争性能を達成する。
• 参考スコア（独自算出の注目度）: 37.26484185691251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Present domain adaptation methods usually perform explicit representation alignment by simultaneously accessing the source data and target data. However, the source data are not always available due to the privacy preserving consideration or bandwidth limitation. Source-free domain adaptation aims to solve the above problem by performing domain adaptation without accessing the source data. The adaptation paradigm is receiving more and more attention in recent years, and multiple works have been proposed for unsupervised source-free domain adaptation. However, without utilizing any supervised signal and source data at the adaptation stage, the optimization of the target model is unstable and fragile. To alleviate the problem, we focus on semi-supervised domain adaptation under source-free setting. More specifically, we propose uncertainty-guided Mixup to reduce the representation's intra-domain discrepancy and perform inter-domain alignment without directly accessing the source data. Finally, we conduct extensive semi-supervised domain adaptation experiments on various datasets. Our method outperforms the recent semi-supervised baselines and the unsupervised variant also achieves competitive performance. The experiment codes will be released in the future.
• Abstract（参考訳）: 現在のドメイン適応手法は通常、ソースデータとターゲットデータを同時にアクセスすることによって明示的な表現アラインメントを実行する。 しかしながら、プライバシー保護の考慮や帯域幅の制限のため、ソースデータは必ずしも利用可能ではない。 ソースフリードメイン適応は、ソースデータにアクセスせずにドメイン適応を行うことによって上記の問題を解決することを目的としている。 近年、適応パラダイムはますます注目を集めており、教師なしのソースフリードメイン適応のために複数の作品が提案されている。 しかし、適応段階における教師付き信号やソースデータを利用することなく、ターゲットモデルの最適化は不安定で脆弱である。 この問題を軽減するため,ソースフリー環境下での半教師付きドメイン適応に着目した。 具体的には、表現のドメイン内不一致を低減し、ソースデータに直接アクセスすることなくドメイン間アライメントを実行するための不確実性誘導型ミックスアップを提案する。 最後に,様々なデータセットに対して,半教師あり領域適応実験を行う。 提案手法は,最近の半教師付きベースラインよりも優れており,教師なし変種は競争性能も向上する。 実験コードは今後リリースされる予定だ。

関連論文リスト

• Dual Moving Average Pseudo-Labeling for Source-Free Inductive Domain Adaptation [45.024029784248825]
  教師なしドメイン適応は、ソースからターゲットドメインに知識を適用することによって、ディープラーニングにおけるデータアノテーションへの依存を減らす。 プライバシと効率上の懸念に対して、ソースフリーなドメイン適応は、トレーニング済みのソースモデルをラベルなしのターゲットドメインに適応することにより、教師なしのドメイン適応を拡張します。 本稿では,DMAPL (Dual moving Average Pseudo-Labeling) という半教師付きファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2022-12-15T23:20:13Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Source-free Unsupervised Domain Adaptation for Blind Image Quality Assessment [20.28784839680503]
  既存の学習ベースのブラインド画像品質評価法(BIQA)は、大量の注釈付きトレーニングデータに大きく依存している。 本稿では,ソースフリーな非教師付きドメイン適応(SFUDA)への第一歩を,シンプルで効率的な方法で進める。 本稿では、BNアフィンパラメータのターゲット領域への適応を導くための、十分に設計された自己教師対象のグループを示す。
  論文  参考訳（メタデータ） (2022-07-17T09:42:36Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• 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)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Semi-Supervised Hypothesis Transfer for Source-Free Domain Adaptation [38.982377864475374]
  適応段階のソースデータにアクセスすることなく,仮説伝達による新しい領域適応手法を提案する。 対象データを完全に活用するために,半教師付き相互拡張法を提案する。 本手法は最先端の手法と比較して,半教師付き適応タスクにおいて最大19.9%の改善が得られた。
  論文  参考訳（メタデータ） (2021-07-14T14:26:09Z)
• Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
  Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。 そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:14:29Z)
• Source-free Domain Adaptation via Distributional Alignment by Matching Batch Normalization Statistics [85.75352990739154]
  ソースフリー設定のための新しいドメイン適応手法を提案する。 未観測のソースデータの分布を近似するために,事前学習モデルに格納されたバッチ正規化統計を用いた。 本手法は最先端のドメイン適応手法で競合性能を実現する。
  論文  参考訳（メタデータ） (2021-01-19T14:22:33Z)
• Unsupervised Domain Adaptation in the Absence of Source Data [0.7366405857677227]
  本稿では、ソース領域から自然軸に沿って変化する対象領域にソース分類器を適応させる教師なしの手法を提案する。 分布シフトが明るさ、コントラスト、回転を伴うシナリオにおいて本手法を検証し、ラベル付きデータに制限されたシナリオにおいて微調整ベースラインよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-07-20T16:22:14Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。