論文の概要: Semi-Supervised Hypothesis Transfer for Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2107.06735v1
• Date: Wed, 14 Jul 2021 14:26:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 17:50:37.610799
• Title: Semi-Supervised Hypothesis Transfer for Source-Free Domain Adaptation
• Title（参考訳）: ソースフリードメイン適応のための半教師付き仮説変換
• Authors: Ning Ma, Jiajun Bu, Lixian Lu, Jun Wen, Zhen Zhang, Sheng Zhou, Xifeng Yan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.982377864475374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain Adaptation has been widely used to deal with the distribution shift in vision, language, multimedia etc. Most domain adaptation methods learn domain-invariant features with data from both domains available. However, such a strategy might be infeasible in practice when source data are unavailable due to data-privacy concerns. To address this issue, we propose a novel adaptation method via hypothesis transfer without accessing source data at adaptation stage. In order to fully use the limited target data, a semi-supervised mutual enhancement method is proposed, in which entropy minimization and augmented label propagation are used iteratively to perform inter-domain and intra-domain alignments. Compared with state-of-the-art methods, the experimental results on three public datasets demonstrate that our method gets up to 19.9% improvements on semi-supervised adaptation tasks.
• Abstract（参考訳）: ドメイン適応(Domain Adaptation)は、視覚、言語、マルチメディアなどの分散シフトを扱うために広く使われている。 ほとんどのドメイン適応手法は、両方のドメインからのデータを使ってドメイン不変な特徴を学習する。 しかし、そのような戦略は、データプライバシの懸念によりソースデータが利用できない場合、実際には実現できないかもしれない。 そこで本研究では,適応段階でソースデータにアクセスせずに仮説伝達による新しい適応手法を提案する。 制限対象データを完全に活用するために,エントロピー最小化と拡張ラベル伝搬を反復的に使用してドメイン間およびドメイン内アライメントを行う半教師付き相互拡張法を提案する。 3つの公開データセットの実験結果から, 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。

関連論文リスト

• Cross-Domain Label Propagation for Domain Adaptation with Discriminative Graph Self-Learning [8.829109854586573]
  ドメイン適応は、十分にラベル付けされたソースデータの知識をラベル付けされていないターゲットデータに転送する。 ドメイン間ラベルの伝搬によって対象の擬似ラベルを推論する新しいドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T05:55:32Z)
• 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)
• Labeling Where Adapting Fails: Cross-Domain Semantic Segmentation with Point Supervision via Active Selection [81.703478548177]
  セマンティックセグメンテーションに特化したトレーニングモデルは、大量のピクセル単位のアノテートデータを必要とする。 教師なしドメイン適応手法は、ラベル付きソースとラベルなしターゲットデータとの間の特徴分布の整合化を目的としている。 以前の研究は、対象データにスパース単一ピクセルアノテーションという形で、人間のインタラクションをこのプロセスに含めようと試みていた。 アクティブな選択による注釈付きポイントを用いた意味的セグメンテーションのための新しい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） (2022-06-01T01:52:28Z)
• 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)
• Semi-Supervised Adversarial Discriminative Domain Adaptation [18.15464889789663]
  ドメイン適応は、ラベル付きデータの欠如を処理できる強力なディープニューラルネットワークをトレーニングする潜在的な方法である。 本稿では,SADDA (Semi-Supervised Adversarial Discriminative Domain Adaptation) と呼ばれる改良された対向領域適応法を提案する。
  論文  参考訳（メタデータ） (2021-09-27T12:52:50Z)
• Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without Source Data [37.26484185691251]
  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。
  論文  参考訳（メタデータ） (2021-07-14T13:54:02Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。