論文の概要: TADA: Taxonomy Adaptive Domain Adaptation

• arxiv url: http://arxiv.org/abs/2109.04813v1
• Date: Fri, 10 Sep 2021 11:58:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-13 13:27:58.969195
• Title: TADA: Taxonomy Adaptive Domain Adaptation
• Title（参考訳）: TADA: 分類学適応型ドメイン適応
• Authors: Rui Gong, Martin Danelljan, Dengxin Dai, Wenguan Wang, Danda Pani Paudel, Ajad Chhatkuli, Fisher Yu, Luc Van Gool
• Abstract要約: 伝統的なドメイン適応は、限られた監督の下で新しいターゲットドメインにモデルを適応させるタスクに対処する。 より一般的な分類適応型ドメイン適応問題を導入し、両者の整合性を実現する。 ラベルレベルでは、ターゲット領域を拡大するための二元混合サンプリング戦略と、ラベル空間を統一・整合させるリラベリング手法を用いる。
• 参考スコア（独自算出の注目度）: 143.68890984935726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional domain adaptation addresses the task of adapting a model to a novel target domain under limited or no additional supervision. While tackling the input domain gap, the standard domain adaptation settings assume no domain change in the output space. In semantic prediction tasks, different datasets are often labeled according to different semantic taxonomies. In many real-world settings, the target domain task requires a different taxonomy than the one imposed by the source domain. We therefore introduce the more general taxonomy adaptive domain adaptation (TADA) problem, allowing for inconsistent taxonomies between the two domains. We further propose an approach that jointly addresses the image-level and label-level domain adaptation. On the label-level, we employ a bilateral mixed sampling strategy to augment the target domain, and a relabelling method to unify and align the label spaces. We address the image-level domain gap by proposing an uncertainty-rectified contrastive learning method, leading to more domain-invariant and class discriminative features. We extensively evaluate the effectiveness of our framework under different TADA settings: open taxonomy, coarse-to-fine taxonomy, and partially-overlapping taxonomy. Our framework outperforms previous state-of-the-art by a large margin, while capable of adapting to new target domain taxonomies.
• Abstract（参考訳）: 従来のドメイン適応は、限定的または追加の監督なしに、新しいターゲットドメインにモデルを適応させるタスクに対処する。 入力ドメインギャップに対処する際、標準ドメイン適応設定は出力空間におけるドメイン変更を前提としない。 意味予測タスクでは、異なるデータセットは異なる意味分類に基づいてラベル付けされることが多い。 多くの実世界の環境では、対象のドメインタスクはソースドメインが課したタスクとは異なる分類を必要とする。 したがって、より一般的な分類適応ドメイン適応(TADA)問題を導入し、2つのドメイン間の一貫性のない分類を可能とした。 さらに,画像レベルとラベルレベルのドメイン適応を共同で扱う手法を提案する。 ラベルレベルでは,ターゲット領域の強化に二国間混合サンプリング戦略とラベル空間の統一・整列化のためのリラベル法を用いる。 画像レベルの領域ギャップに対処するため、不確かさを補正したコントラスト学習法を提案し、さらにドメイン不変性やクラス識別性をもたらす。 我々は,オープン分類法,粗小分類法,部分重複分類法といった多田設定条件下での枠組みの有効性を広範囲に評価した。 私たちのフレームワークは、新しいターゲットドメインの分類に適応できる一方で、以前の最先端技術よりも大きなマージンで優れています。

関連論文リスト

• Cross-Domain Semantic Segmentation on Inconsistent Taxonomy using VLMs [1.4182672294839365]
  視覚言語モデル(CSI)を用いた不整合分類のクロスドメイン意味論 本稿では、視覚言語モデル(CSI)を用いた、一貫性のない分類に関するクロスドメインセマンティックという新しいアプローチを紹介する。 ソースターゲットクラスミスマッチの状況であっても、ドメイン適応セマンティックセマンティックセマンティクスを効果的に実行する。
  論文  参考訳（メタデータ） (2024-08-05T06:32:20Z)
• Taxonomy-Structured Domain Adaptation [21.432546714330023]
  我々は、ネストされた階層的類似構造を持つ領域を形式化する分類構造ドメインによる一般化に取り組む。 我々は,古典的敵対的枠組みを基盤として,新たな分類学者を導入し,その分類情報を維持するために,敵対的差別者と競合する。
  論文  参考訳（メタデータ） (2023-06-13T16:04:14Z)
• ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation [84.90801699807426]
  ドメイン間でアライメントすべき機能について検討し、ドメインアライメントが積極的に分類に役立てることを提案する。 我々は、ソースドメインの機能を、整列すべきタスク関連/識別機能と、回避/無視されるべきタスク関連機能に明示的に分解します。
  論文  参考訳（メタデータ） (2021-06-21T02:17:48Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
  本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。 ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。 実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
  論文  参考訳（メタデータ） (2020-07-30T01:33:57Z)
• Adversarial Network with Multiple Classifiers for Open Set Domain Adaptation [9.251407403582501]
  本稿では、対象ドメインがプライベート(未知クラス)ラベル空間と共有(未知クラス)ラベル空間の両方を持つようなオープンセットドメイン適応設定のタイプに焦点を当てる。 分布整合領域適応法はそのような設定では不十分である。 本稿では,複数の補助分類器を用いた新しい対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-01T11:23:07Z)
• Unsupervised Domain Adaptation with Progressive Domain Augmentation [34.887690018011675]
  本稿では,プログレッシブドメイン拡張に基づく新規な教師なしドメイン適応手法を提案する。 提案手法は、仮想中間ドメインをドメインを介して生成し、ソースドメインを徐々に拡張し、ソースターゲット領域の分岐をブリッジする。 本研究では,複数の領域適応タスクについて実験を行い,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2020-04-03T18:45:39Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。