論文の概要: CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and Adversarial Training

• arxiv url: http://arxiv.org/abs/2108.11368v1
• Date: Wed, 25 Aug 2021 17:55:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 13:34:32.139656
• Title: CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and Adversarial Training
• Title（参考訳）: CDCGen:フローの正規化と対人訓練によるクロスドメイン条件生成
• Authors: Hari Prasanna Das, Ryan Tran, Japjot Singh, Yu-Wen Lin and Costas J. Spanos
• Abstract要約: 本稿では,フローの正規化と,最大習熟度と逆習熟度を併用した移動学習に基づくフレームワークを提案する。 我々は、ソースドメイン(ラベルが利用可能)とターゲットドメイン(ラベルが利用できない)を個別の正規化フローでモデル化し、逆微分器を用いて共通の潜在空間にドメインアライメントを行う。 本手法は,属性変換による非自明な拡張を生成することで,ラベルスカースシステムにおける合成データ生成に特に有用であると考えられる。
• 参考スコア（独自算出の注目度）: 8.457436805755657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How to generate conditional synthetic data for a domain without utilizing information about its labels/attributes? Our work presents a solution to the above question. We propose a transfer learning-based framework utilizing normalizing flows, coupled with both maximum-likelihood and adversarial training. We model a source domain (labels available) and a target domain (labels unavailable) with individual normalizing flows, and perform domain alignment to a common latent space using adversarial discriminators. Due to the invertible property of flow models, the mapping has exact cycle consistency. We also learn the joint distribution of the data samples and attributes in the source domain by employing an encoder to map attributes to the latent space via adversarial training. During the synthesis phase, given any combination of attributes, our method can generate synthetic samples conditioned on them in the target domain. Empirical studies confirm the effectiveness of our method on benchmarked datasets. We envision our method to be particularly useful for synthetic data generation in label-scarce systems by generating non-trivial augmentations via attribute transformations. These synthetic samples will introduce more entropy into the label-scarce domain than their geometric and photometric transformation counterparts, helpful for robust downstream tasks.
• Abstract（参考訳）: ラベル/属性に関する情報を使わずにドメインの条件付き合成データを生成する方法 私たちの研究は上記の問題に対する解決策を提示します。 本稿では,フローの正規化を利用したトランスファー学習に基づくフレームワークを提案する。 我々は、ソースドメイン(利用可能なラベル)とターゲットドメイン(使用できないラベル)を個別の正規化フローでモデル化し、adversarial discriminatorsを用いて共通の潜在空間へのドメインアライメントを行う。 フローモデルの可逆性のため、マッピングは正確なサイクル整合性を持つ。 また,属性を潜在空間にマッピングするエンコーダを用いて,情報源領域におけるデータサンプルと属性の共分散も学習する。 合成フェーズでは,属性の組み合わせが与えられた場合に,対象領域内で条件づけされた合成サンプルを生成できる。 ベンチマークデータセットにおける本手法の有効性を実証する実験を行った。 本手法は,属性変換による非自明な拡張を生成することで,ラベルスカースシステムにおける合成データ生成に特に有用であると考えられる。 これらの合成サンプルは、幾何学的および測光的な変換よりもラベル・スカース領域にエントロピーを導入し、下流の堅牢なタスクに役立ちます。

関連論文リスト

• AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
  本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。 これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。 その結果,全データセットのセグメンテーション性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-06T23:04:29Z)
• Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [76.44483062571611]
  テスト時間適応(TTA)は、未知のシフト対象ドメインでテストする場合、ソースドメイン事前訓練モデルの性能を向上させることを目的としている。 従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。 最近の拡散駆動型TTA法は非条件拡散モデルを用いて強い性能を示した。
  論文  参考訳（メタデータ） (2024-06-06T17:39:09Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• 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)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving [0.0]
  教師なしのドメイン適応(UDA)アプローチは低コストで時間を要すると考えられている。 自動走行における車線検出と分類のための逆判別および生成手法を用いたUDAスキームを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:10:14Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Synthetic-to-Real Domain Adaptation for Lane Detection [5.811502603310248]
  我々は、ラベルなしまたは部分的にラベル付けされたターゲットドメインデータとともに、豊富でランダムに生成された合成データからの学習を探索する。 これは、非現実的な合成領域で学んだモデルを実画像に適応させることの難しさを浮き彫りにする。 対象のドメインデータに適応するために、特定の画像と一致しない合成ラベルを用いる、新しいオートエンコーダベースのアプローチを開発する。
  論文  参考訳（メタデータ） (2020-07-08T10:54:21Z)

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。