Fugu-MT 論文翻訳(概要): Few-shot Unsupervised Domain Adaptation with Image-to-class Sparse Similarity Encoding

論文の概要: Few-shot Unsupervised Domain Adaptation with Image-to-class Sparse Similarity Encoding

arxiv url: http://arxiv.org/abs/2108.02953v1
Date: Fri, 6 Aug 2021 06:15:02 GMT
ステータス: 処理完了
システム内更新日: 2021-08-09 14:26:17.073949
Title: Few-shot Unsupervised Domain Adaptation with Image-to-class Sparse Similarity Encoding
Title（参考訳）: Image-to-class Sparse similarity Encodingによる教師なしドメイン適応
Authors: Shengqi Huang, Wanqi Yang, Lei Wang, Luping Zhou, Ming Yang
Abstract要約: 本稿では,FS-UDA ( few-shot unsupervised domain adaptation) という貴重な設定について検討する。この設定では、ソースドメインデータはラベル付けされるが、ターゲットドメインデータはラベル付けされない。我々は,カテゴリごとのラベル付きラベル付きデータと,サポートセットとクエリセット間のドメイン適応を解決するための汎用UDAモデルを開発した。
参考スコア（独自算出の注目度）: 24.64900089320843
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper investigates a valuable setting called few-shot unsupervised domain adaptation (FS-UDA), which has not been sufficiently studied in the literature. In this setting, the source domain data are labelled, but with few-shot per category, while the target domain data are unlabelled. To address the FS-UDA setting, we develop a general UDA model to solve the following two key issues: the few-shot labeled data per category and the domain adaptation between support and query sets. Our model is general in that once trained it will be able to be applied to various FS-UDA tasks from the same source and target domains. Inspired by the recent local descriptor based few-shot learning (FSL), our general UDA model is fully built upon local descriptors (LDs) for image classification and domain adaptation. By proposing a novel concept called similarity patterns (SPs), our model not only effectively considers the spatial relationship of LDs that was ignored in previous FSL methods, but also makes the learned image similarity better serve the required domain alignment. Specifically, we propose a novel IMage-to-class sparse Similarity Encoding (IMSE) method. It learns SPs to extract the local discriminative information for classification and meanwhile aligns the covariance matrix of the SPs for domain adaptation. Also, domain adversarial training and multi-scale local feature matching are performed upon LDs. Extensive experiments conducted on a multi-domain benchmark dataset DomainNet demonstrates the state-of-the-art performance of our IMSE for the novel setting of FS-UDA. In addition, for FSL, our IMSE can also show better performance than most of recent FSL methods on miniImageNet.
Abstract（参考訳）: 本稿では,文献で十分に研究されていないfs-udaと呼ばれる貴重な設定について検討する。この設定では、ソースドメインデータはラベル付けされるが、カテゴリ毎のショット数は少なく、ターゲットドメインデータはラベル付けされない。 FS-UDA設定に対処するため,カテゴリごとのラベル付き少数ショットデータと,サポートセットとクエリセット間のドメイン適応という,2つの主要な課題を解決するための一般UDAモデルを開発した。我々のモデルは、一度訓練すれば、同じソースとターゲットドメインから様々なFS-UDAタスクに適用できるという一般的なモデルです。近年のローカルディスクリプタによるマイクロショット学習(FSL)に触発されて,画像分類とドメイン適応のためのローカルディスクリプタ(LD)をベースとした一般UDAモデルを構築した。類似パターン(SP)と呼ばれる新しい概念を提案することにより,従来のFSL法で無視されたLDの空間的関係を効果的に考察するだけでなく,学習された画像の類似性が要求領域アライメントに役立てることができる。具体的には,IMSE(IMage-to-class sparse similarity Encoding)法を提案する。 SPsを学習して、分類のための局所的な識別情報を抽出し、一方、SPsの共分散行列をドメイン適応のために整列させる。また、LD上では、ドメイン敵トレーニングとマルチスケールローカル特徴マッチングを行う。マルチドメインベンチマークデータセットであるDomainNetで実施された大規模な実験は、新しいFS-UDA設定のためのIMSEの最先端性能を示す。さらに、FSLでは、IMSEはMiniImageNet上の最近のFSL手法よりも優れた性能を示すことができる。

関連論文リスト

Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
ドメインの一般化は機械学習において難しい課題である。現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。これらのリスクに対処する新しいDGパラダイムを導入する。
論文参考訳（メタデータ） (2024-05-24T22:13:31Z)
Domain-Rectifying Adapter for Cross-Domain Few-Shot Segmentation [40.667166043101076]
多様なターゲットドメインスタイルをソースドメインに修正するための小さなアダプタを提案する。アダプタは、さまざまな合成対象ドメインから画像特徴を修正して、ソースドメインと整合するように訓練される。提案手法は,ドメイン間複数ショットセマンティックセマンティックセグメンテーションタスクにおいて有望な結果を得る。
論文参考訳（メタデータ） (2024-04-16T07:07:40Z)
High-level semantic feature matters few-shot unsupervised domain adaptation [15.12545632709954]
FS-UDAのためのタスク固有意味特徴学習法(TSECS)を提案する。 TSECSは画像とクラス間の類似度測定のための高レベルの意味的特徴を学習する。提案手法はFS-UDAのSOTA法よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2023-01-05T08:39:52Z)
I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文参考訳（メタデータ） (2023-01-03T15:19:48Z)
Few-Shot Classification in Unseen Domains by Episodic Meta-Learning Across Visual Domains [36.98387822136687]
興味のあるカテゴリのラベル付き例がほとんどないため、いくつかのショット分類は、分類を実行することを目的としている。本稿では,ドメイン一般化型少ショット分類のための一意学習フレームワークを提案する。メタ学習戦略を進めることで、学習フレームワークは複数のソースドメインにまたがるデータを利用して、ドメイン不変の機能をキャプチャします。
論文参考訳（メタデータ） (2021-12-27T06:54:11Z)
Disentangled Feature Representation for Few-shot Image Classification [64.40410801469106]
そこで本研究では,DFRと呼ばれる新しいDistangled Feature Representationフレームワークを提案する。 DFRは、分類枝によってモデル化される識別的特徴を、変動枝のクラス非関連成分から適応的に分離することができる。一般的に、一般的な深層数ショット学習手法のほとんどが分類ブランチとしてプラグインできるため、DFRは様々な数ショットタスクのパフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2021-09-26T09:53:11Z)
Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-03-25T14:33:33Z)
Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文参考訳（メタデータ） (2021-02-17T17:46:06Z)
Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
論文参考訳（メタデータ） (2020-02-06T01:04:53Z)
Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。