論文の概要: Task Guided Compositional Representation Learning for ZDA

• arxiv url: http://arxiv.org/abs/2109.05934v1
• Date: Mon, 13 Sep 2021 13:02:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:33:43.326105
• Title: Task Guided Compositional Representation Learning for ZDA
• Title（参考訳）: ZDAのためのタスクガイド構成表現学習
• Authors: Shuang Liu, Mete Ozay
• Abstract要約: マルチブランチディープニューラルネットワークを用いて特徴表現を学習するタスク誘導型ZDAを提案する。 提案したTG-ZDAモデルは、対象ドメインの予測表現から生成された合成タスクやデータを必要とすることなく、エンドツーエンドで訓練することができる。 実験結果から,提案したTG-ZDAは,各領域やタスクに対して,最先端のZDA手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 12.64270081201483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot domain adaptation (ZDA) methods aim to transfer knowledge about a task learned in a source domain to a target domain, while data from target domain are not available. In this work, we address learning feature representations which are invariant to and shared among different domains considering task characteristics for ZDA. To this end, we propose a method for task-guided ZDA (TG-ZDA) which employs multi-branch deep neural networks to learn feature representations exploiting their domain invariance and shareability properties. The proposed TG-ZDA models can be trained end-to-end without requiring synthetic tasks and data generated from estimated representations of target domains. The proposed TG-ZDA has been examined using benchmark ZDA tasks on image classification datasets. Experimental results show that our proposed TG-ZDA outperforms state-of-the-art ZDA methods for different domains and tasks.
• Abstract（参考訳）: ゼロショットドメイン適応(ZDA)メソッドは、ソースドメインで学んだタスクに関する知識をターゲットドメインに転送することを目的としており、ターゲットドメインからのデータは利用できない。 本稿では,zdaのタスク特性を考慮した異なる領域間で不変かつ共有される学習特徴表現について述べる。 そこで本研究では,多分岐深層ニューラルネットワークを用いたタスク誘導型ZDA(TG-ZDA)を提案する。 提案したTG-ZDAモデルは、対象ドメインの予測表現から生成された合成タスクやデータを必要とすることなく、エンドツーエンドで訓練することができる。 画像分類データセットのベンチマークZDAタスクを用いてTG-ZDAを提案する。 実験結果から,提案したTG-ZDAは,各領域やタスクに対して,最先端のZDA手法よりも優れていることがわかった。

関連論文リスト

• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain [11.764601181046496]
  本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。 本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。 提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-28T20:31:56Z)
• Deep Unsupervised Domain Adaptation: A Review of Recent Advances and Perspectives [16.68091981866261]
  対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。 UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
  論文  参考訳（メタデータ） (2022-08-15T20:05:07Z)
• Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
  教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。 ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。 我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
  論文  参考訳（メタデータ） (2022-04-06T09:13:25Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Knothe-Rosenblatt transport for Unsupervised Domain Adaptation [8.945289838882857]
  教師なしドメイン適応(UDA)は、対象ドメインの共通タスクに取り組むために、関連するが異なるデータソースを活用することを目的としている。 我々はKnothe-Rosenblattトランスポートに基づくKnothe-Rosenblatt Domain Adaptation (KRDA)を提案する。 我々は,KRDAが,合成UDA問題と実世界のUDA問題の両方において最先端の性能を有することを示す。
  論文  参考訳（メタデータ） (2021-10-06T13:04:28Z)
• Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation [12.703234995718372]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから学習した知識をラベルなしおよび見え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。 データストレージやプライバシの問題のため、適応段階でのソースドメインデータへのアクセスは制限されることが多い。 我々は、ソースドメインで事前訓練されたオフザシェルフセグメントモデルをターゲットドメインに適用することを提案する。
  論文  参考訳（メタデータ） (2021-06-23T16:16:55Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• Adversarial Learning for Zero-shot Domain Adaptation [31.334196673143257]
  ゼロショットドメイン適応は、データサンプルもラベルもターゲットドメインでのパラメータ学習には使用できない問題である。 本稿では,非関係なタスクから関心のあるタスクへのドメインシフトを移譲することで,ZSDAの新たな手法を提案する。 提案手法をベンチマークデータセット上で評価し,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-09-11T03:41:32Z)
• Learning Task-oriented Disentangled Representations for Unsupervised Domain Adaptation [165.61511788237485]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインシフト問題に対処することを目的としている。 UDAのための動的タスク指向の非絡合ネットワーク(DTDN)を提案し,非絡合表現をエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-07-27T01:21:18Z)

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。