論文の概要: Generation, augmentation, and alignment: A pseudo-source domain based method for source-free domain adaptation

• arxiv url: http://arxiv.org/abs/2109.04015v1
• Date: Thu, 9 Sep 2021 03:21:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-11 06:16:47.295501
• Title: Generation, augmentation, and alignment: A pseudo-source domain based method for source-free domain adaptation
• Title（参考訳）: 生成・拡張・アライメント:ソースフリードメイン適応のための擬似ソースドメインベース手法
• Authors: Yuntao Du, Haiyang Yang, Mingcai Chen, Juan Jiang, Hongtao Luo, Chongjun Wang
• Abstract要約: モデルはモデルをトレーニングするためにラベル付きソースサンプルとラベルなしターゲットサンプルの両方に同時にアクセスする必要がある。 本稿では,この観測から着想を得た疑似ソース領域に基づく新しい手法を提案する。 提案手法の有効性を実世界の3つのデータセットで検証した。
• 参考スコア（独自算出の注目度）: 2.774526723254576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional unsupervised domain adaptation (UDA) methods need to access both labeled source samples and unlabeled target samples simultaneously to train the model. While in some scenarios, the source samples are not available for the target domain due to data privacy and safety. To overcome this challenge, recently, source-free domain adaptation (SFDA) has attracted the attention of researchers, where both a trained source model and unlabeled target samples are given. Existing SFDA methods either adopt a pseudo-label based strategy or generate more samples. However, these methods do not explicitly reduce the distribution shift across domains, which is the key to a good adaptation. Although there are no source samples available, fortunately, we find that some target samples are very similar to the source domain and can be used to approximate the source domain. This approximated domain is denoted as the pseudo-source domain. In this paper, inspired by this observation, we propose a novel method based on the pseudo-source domain. The proposed method firstly generates and augments the pseudo-source domain, and then employs distribution alignment with four novel losses based on pseudo-label based strategy. Among them, a domain adversarial loss is introduced between the pseudo-source domain the remaining target domain to reduce the distribution shift. The results on three real-world datasets verify the effectiveness of the proposed method.
• Abstract（参考訳）: 従来のunsupervised domain adaptation(uda)メソッドは、ラベル付きソースサンプルとラベルなしターゲットサンプルの両方にアクセスして、モデルをトレーニングする必要がある。 一部のシナリオでは、ソースサンプルはデータプライバシと安全性のためにターゲットドメインでは利用できない。 この課題を克服するために、最近、ソースフリードメイン適応(sfda)が研究者の注目を集め、トレーニング済みのソースモデルとラベルなしのターゲットサンプルの両方が与えられた。 既存のsfdaメソッドは擬似ラベルベースの戦略を採用するか、より多くのサンプルを生成する。 しかし、これらの手法はドメイン間の分布シフトを明示的に減らすものではないので、良い適応の鍵となる。 ソースサンプルはありませんが、幸いなことに、いくつかのターゲットサンプルはソースドメインと非常に似ていて、ソースドメインの近似に使用できます。 この近似ドメインは擬似ソースドメインとして表される。 本稿では,この観察に触発されて,疑似ソースドメインに基づく新しい手法を提案する。 提案手法はまず,擬似音源領域の生成と拡張を行い,擬似ラベルに基づく戦略に基づく4つの新たな損失の分布アライメントを用いる。 このうち、擬似ソース領域と残りのターゲットドメインとの間にドメイン逆損失を導入し、分散シフトを低減する。 提案手法の有効性を実世界の3つのデータセットで検証した。

関連論文リスト

• Noisy Universal Domain Adaptation via Divergence Optimization for Visual Recognition [30.31153237003218]
  ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する、Noisy UniDAという新しいシナリオが提案されている。 ノイズUniDAで直面するすべての課題に同時に対処するために、マルチヘッド畳み込みニューラルネットワークフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-20T14:18:38Z)
• 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)
• MiddleGAN: Generate Domain Agnostic Samples for Unsupervised Domain Adaptation [35.00283311401667]
  対象領域における最終分類タスクを実行する分類器を暗黙的に学習させて分類を行う。 トレーニング中に分類器に入力することで、ソースドメインとターゲットドメインの両方のサンプルに類似した偽のサンプルを生成する。 そこで本研究では, ソースドメインとターゲットドメインの両方のサンプルに類似した偽のサンプルを生成する, MiddleGAN (Generative Adversarial Network) を新たに提案する。
  論文  参考訳（メタデータ） (2022-11-06T15:09:36Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• 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)
• 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)
• Unsupervised Domain Adaptation in the Absence of Source Data [0.7366405857677227]
  本稿では、ソース領域から自然軸に沿って変化する対象領域にソース分類器を適応させる教師なしの手法を提案する。 分布シフトが明るさ、コントラスト、回転を伴うシナリオにおいて本手法を検証し、ラベル付きデータに制限されたシナリオにおいて微調整ベースラインよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2020-07-20T16:22:14Z)
• Sparsely-Labeled Source Assisted Domain Adaptation [64.75698236688729]
  本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。 ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
  論文  参考訳（メタデータ） (2020-05-08T15:37:35Z)

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。