論文の概要: Direct domain adaptation through reciprocal linear transformations
- arxiv url: http://arxiv.org/abs/2108.07600v1
- Date: Tue, 17 Aug 2021 13:05:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-18 13:25:18.576420
- Title: Direct domain adaptation through reciprocal linear transformations
- Title（参考訳）: 相互線形変換による直接領域適応
- Authors: Tariq Alkhalifah, Oleg Ovcharenko
- Abstract要約: 本稿では,実世界のデータから得られる特徴による合成データに基づく教師付きニューラルネットワークのトレーニングを強化するためのドメイン適応手法を提案する。
提案手法は、ソースとターゲットドメインのデータのみを操作し、トレーニングワークフローやネットワークアーキテクチャに明示的に干渉しない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a direct domain adaptation (DDA) approach to enrich the training
of supervised neural networks on synthetic data by features from real-world
data. The process involves a series of linear operations on the input features
to the NN model, whether they are from the source or target domains, as
follows: 1) A cross-correlation of the input data (i.e. images) with a randomly
picked sample pixel (or pixels) of all images from that domain or the mean of
all randomly picked sample pixel (or pixels) of all images. 2) The convolution
of the resulting data with the mean of the autocorrelated input images from the
other domain. In the training stage, as expected, the input images are from the
source domain, and the mean of auto-correlated images are evaluated from the
target domain. In the inference/application stage, the input images are from
the target domain, and the mean of auto-correlated images are evaluated from
the source domain. The proposed method only manipulates the data from the
source and target domains and does not explicitly interfere with the training
workflow and network architecture. An application that includes training a
convolutional neural network on the MNIST dataset and testing the network on
the MNIST-M dataset achieves a 70% accuracy on the test data. A principal
component analysis (PCA), as well as t-SNE, show that the input features from
the source and target domains, after the proposed direct transformations, share
similar properties along with the principal components as compared to the
original MNIST and MNIST-M input features.
- Abstract（参考訳）: 本稿では,実世界データの特徴による合成データに対する教師付きニューラルネットワークのトレーニングを強化するために,直接ドメイン適応(DDA)アプローチを提案する。
このプロセスは、NNモデルへの入力特徴に関する一連の線形操作、すなわち、ソースまたはターゲットドメインからのものであるか、以下に示すように: 1)入力データの相互相関(すなわち、)。
画像) その領域のすべての画像のランダムに選択されたサンプルピクセル(またはピクセル)またはすべての画像のランダムに選択されたサンプルピクセル(またはピクセル)の平均。
2)結果データの畳み込みと、他の領域からの自己相関入力画像の平均値との畳み込み。
訓練段階では、想定通り、入力画像はソースドメインから、自己相関画像の平均はターゲットドメインから評価される。
推論/アプリケーション段階では、入力画像は対象領域からであり、ソース領域から自己相関画像の平均を評価する。
提案手法は、ソースとターゲットドメインのデータのみを操作し、トレーニングワークフローやネットワークアーキテクチャに明示的に干渉しない。
MNISTデータセット上で畳み込みニューラルネットワークをトレーニングし、MNIST-Mデータセット上でネットワークをテストするアプリケーションでは、テストデータ上で70%の精度を達成する。
主成分分析(pca)とt-sneは、提案する直接変換の後、ソースドメインとターゲットドメインからの入力特徴が、元のmnistおよびmnist-mの入力特徴と比較して主成分と類似した特性を共有することを示した。
関連論文リスト
- Compositional Semantic Mix for Domain Adaptation in Point Cloud
Segmentation [65.78246406460305]
合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。
本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-08-28T14:43:36Z) - Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳（メタデータ） (2023-07-19T06:07:12Z) - Deep Transductive Transfer Learning for Automatic Target Recognition [18.11215040256388]
自動目標認識のための非ペア化トランスダクティブ・トランスダクティブ・ラーニング・フレームワークを提案する。
我々は、CycleGANモデルを用いて、中波長赤外線画像(MWIR)を可視(VIS)領域画像(またはMWIR領域に可視)に転送する。
提案したトランスダクティブCycleGANは, DSIAC ATRデータセットの可視領域車両の分類において, 71.56%の精度を実現している。
論文 参考訳（メタデータ） (2023-05-23T10:10:49Z) - Self-Training Guided Disentangled Adaptation for Cross-Domain Remote
Sensing Image Semantic Segmentation [20.07907723950031]
本稿では,クロスドメインRS画像セマンティックセグメンテーションタスクのための自己学習ガイド型不整合適応ネットワーク(ST-DASegNet)を提案する。
まず,ソースとターゲットの両方のイメージに対して,ソーススタイルとターゲットスタイルの特徴をそれぞれ抽出するために,ソース学生のバックボーンとターゲット学生のバックボーンを提案する。
次に、ユニバーサルな特徴を抽出し、ソーススタイルとターゲットスタイルの特徴の異なる特徴を浄化するために、ドメイン非絡み合いモジュールを提案する。
論文 参考訳（メタデータ） (2023-01-13T13:11:22Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - 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) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - Self domain adapted network [6.040230864736051]
ドメインシフトは、臨床実践においてディープネットワークをデプロイする上で大きな問題である。
単体テスト対象に迅速に適応できる新しい自己ドメイン適応ネットワーク(SDA-Net)を提案する。
論文 参考訳（メタデータ） (2020-07-07T01:41:34Z) - Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。
ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。
RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文 参考訳（メタデータ） (2020-07-05T21:42:26Z) - Domain Adaptation with Morphologic Segmentation [8.0698976170854]
本稿では,任意の入力領域(実領域と合成領域)の画像を一様出力領域に変換するために,形態的セグメンテーションを用いた新しいドメイン適応フレームワークを提案する。
私たちのゴールは、複数のソースからのデータを共通の表現に統一する前処理のステップを確立することです。
都市景観のシミュレートと実データの4つのデータ集合上で, 定性的に定量的に評価し, 提案手法の有効性を示す。
論文 参考訳（メタデータ） (2020-06-16T17:06:02Z)
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。