論文の概要: Towards Category and Domain Alignment: Category-Invariant Feature Enhancement for Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2108.06583v1
• Date: Sat, 14 Aug 2021 16:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-17 15:13:18.487135
• Title: Towards Category and Domain Alignment: Category-Invariant Feature Enhancement for Adversarial Domain Adaptation
• Title（参考訳）: カテゴリーとドメインアライメントに向けて--逆領域適応のためのカテゴリ不変特徴拡張
• Authors: Yuan Wu, Diana Inkpen and Ahmed El-Roby
• Abstract要約: ドメイン不変特徴の識別性を高めるために,カテゴリ不変特徴強調(CIFE)を提案する。 実験により、CIFEは対向領域適応法により改善され、最先端の結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 16.229317527580072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial domain adaptation has made impressive advances in transferring knowledge from the source domain to the target domain by aligning feature distributions of both domains. These methods focus on minimizing domain divergence and regard the adaptability, which is measured as the expected error of the ideal joint hypothesis on these two domains, as a small constant. However, these approaches still face two issues: (1) Adversarial domain alignment distorts the original feature distributions, deteriorating the adaptability; (2) Transforming feature representations to be domain-invariant needs to sacrifice domain-specific variations, resulting in weaker discriminability. In order to alleviate these issues, we propose category-invariant feature enhancement (CIFE), a general mechanism that enhances the adversarial domain adaptation through optimizing the adaptability. Specifically, the CIFE approach introduces category-invariant features to boost the discriminability of domain-invariant features with preserving the transferability. Experiments show that the CIFE could improve upon representative adversarial domain adaptation methods to yield state-of-the-art results on five benchmarks.
• Abstract（参考訳）: 敵対的ドメイン適応は、両方のドメインの特徴分布を整列させることにより、ソースドメインからターゲットドメインへの知識伝達において顕著な進歩を遂げた。 これらの手法は、領域の発散を最小限にし、これら2つの領域の理想的な合同仮説の期待誤差として測定される適応性を小さい定数として考慮することに焦点を当てている。 しかし、これらのアプローチは依然として2つの問題に直面している: (1) 敵対的領域アライメントは元の特徴分布を歪め、適応性を低下させる; (2) 特徴表現をドメイン不変に変換してドメイン固有のバリエーションを犠牲にする必要がある。 これらの問題を緩和するために,適応性を最適化して対向領域適応を向上する一般的なメカニズムであるカテゴリー不変機能拡張(CIFE)を提案する。 特に、CIFEアプローチでは、転送可能性を維持することで、ドメイン不変機能の識別性を高めるために、カテゴリ不変機能を導入している。 実験により、CIFEは5つのベンチマークで最先端の結果を得るために、代表対逆領域適応法により改善できることが示されている。

関連論文リスト

• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
  ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。 最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
  論文  参考訳（メタデータ） (2021-08-08T02:36:45Z)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Towards Stable and Comprehensive Domain Alignment: Max-Margin Domain-Adversarial Training [38.12978698952838]
  適応再構成ネットワーク(ARN)を設計し,MDAT(Max-margin Domain-Adversarial Training)を提案する。 ARNは、余分なネットワーク構造を伴わずに、機能レベルとピクセルレベルのドメインアライメントを実行する。 我々のアプローチは、他の最先端のドメインアライメント手法よりも優れています。
  論文  参考訳（メタデータ） (2020-03-30T07:48:52Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。