論文の概要: Recursively Conditional Gaussian for Ordinal Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2107.13467v1
• Date: Wed, 28 Jul 2021 16:26:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 16:25:49.782421
• Title: Recursively Conditional Gaussian for Ordinal Unsupervised Domain Adaptation
• Title（参考訳）: 正規教師なし領域適応のための逐次条件付きガウス
• Authors: Xiaofeng Liu, Site Li, Yubin Ge, Pengyi Ye, Jane You, Jun Lu
• Abstract要約: 医学診断では、ラベルは個別に配布され、順次配布される。 順序分類のためのUDAは、潜在空間の前に非自明な順序分布を誘導する必要がある。 我々は、クロスドメイン画像を、共有順序付き先行順序付きコンテンツ空間と、2つの異なるソース/ターゲット順序付き非関連空間に明示的に切り離す。
• 参考スコア（独自算出の注目度）: 28.016226513475004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been a growing interest in unsupervised domain adaptation (UDA) to alleviate the data scalability issue, while the existing works usually focus on classifying independently discrete labels. However, in many tasks (e.g., medical diagnosis), the labels are discrete and successively distributed. The UDA for ordinal classification requires inducing non-trivial ordinal distribution prior to the latent space. Target for this, the partially ordered set (poset) is defined for constraining the latent vector. Instead of the typically i.i.d. Gaussian latent prior, in this work, a recursively conditional Gaussian (RCG) set is proposed for ordered constraint modeling, which admits a tractable joint distribution prior. Furthermore, we are able to control the density of content vectors that violate the poset constraint by a simple "three-sigma rule". We explicitly disentangle the cross-domain images into a shared ordinal prior induced ordinal content space and two separate source/target ordinal-unrelated spaces, and the self-training is worked on the shared space exclusively for ordinal-aware domain alignment. Extensive experiments on UDA medical diagnoses and facial age estimation demonstrate its effectiveness.
• Abstract（参考訳）: データスケーラビリティの問題を軽減するために、教師なしのドメイン適応(UDA)への関心が高まっていますが、既存の作業は通常、独立したラベルの分類に重点を置いています。 しかし、多くのタスク(例えば医療診断)において、ラベルは離散的かつ連続的に分散される。 順序分類のためのUDAは、潜在空間の前に非自明な順序分布を誘導する必要がある。 対象とする部分順序集合(poset)は、潜在ベクトルを制限するために定義される。 典型的なi. i. d. の代わりに ガウスラテント(Gaussian latent)は、この研究において、順序制約モデリングに対して再帰的条件付きガウス集合 (RCG) を提案する。 さらに,ポーズ制約に違反するコンテンツベクトルの密度を,単純な「3シグマ規則」によって制御することができる。 クロスドメイン画像を共有順序付き前順序付きコンテンツ空間と2つの異なるソース/ターゲット順序付き無関係空間に明示的に分割し、その自己訓練を順序対応ドメインアライメント専用の共有空間上で行う。 udaの医療診断と顔の年齢推定に関する広範囲な実験は、その効果を示している。

関連論文リスト

• centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
  IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。 実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-21T10:35:32Z)
• Imbalanced Open Set Domain Adaptation via Moving-threshold Estimation and Gradual Alignment [58.56087979262192]
  Open Set Domain Adaptation (OSDA) は、よくラベルされたソースドメインから未ラベルの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る。 OSDA法の性能はドメイン内クラス不均衡とドメイン間ラベルシフトで大幅に低下する。 ラベルシフトによって生じる負の効果を軽減するために,オープンセット移動閾値推定とグラデーショナルアライメント(OMEGA)を提案する。
  論文  参考訳（メタデータ） (2023-03-08T05:55:02Z)
• CORE: Learning Consistent Ordinal REpresentations for Image Ordinal Estimation [35.39143939072549]
  本稿では,本研究の基盤となるラベルに存在する順序関係から,本質的な一貫性のある順序表現(CORE)を学習することを提案する。 COREは、順序付き潜在空間を正確に構築し、より優れた結果を得るために既存の深い順序付き回帰法を大幅に強化することができる。
  論文  参考訳（メタデータ） (2023-01-15T15:42:26Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Semantic Concentration for Domain Adaptation [23.706231329913113]
  ドメイン適応(DA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインへの知識転送によるラベルアノテーションとデータセットバイアスの問題に対する道を開く。 DA手法の主流は、2つのドメインの特徴分布を整列させることである。 本稿では,ドメイン適応のためのセマンティック集中モデルを提案する。
  論文  参考訳（メタデータ） (2021-08-12T13:04:36Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Deep DA for Ordinal Regression of Pain Intensity Estimation Using Weakly-Labeled Videos [15.34487189996453]
  本稿では、順序回帰を伴う弱教師付きDAのための新しい深層学習モデルを提案する。 WSDA-ORモデルは、ターゲットシーケンスに割り当てられた強度レベル間の順序関係を強制する。 実験結果から,本手法は最先端モデルよりも大幅に改善できることが示唆された。
  論文  参考訳（メタデータ） (2020-10-28T03:20:34Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
  教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。 ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
  論文  参考訳（メタデータ） (2020-06-17T17:51:42Z)

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。