論文の概要: Multi-Source Video Domain Adaptation with Temporal Attentive Moment
Alignment
- arxiv url: http://arxiv.org/abs/2109.09964v1
- Date: Tue, 21 Sep 2021 05:08:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:19:38.723511
- Title: Multi-Source Video Domain Adaptation with Temporal Attentive Moment
Alignment
- Title(参考訳): 時間的注意モーメントアライメントを用いたマルチソースビデオ領域適応
- Authors: Yuecong Xu, Jianfei Yang, Haozhi Cao, Keyu Wu, Min Wu, Rui Zhao,
Zhenghua Chen
- Abstract要約: マルチソースドメイン適応(MSDA)は、現実のシナリオにおいて、より実用的なドメイン適応シナリオである。
ソースデータが単一のドメインからサンプリングされ、均一なデータ分布と一致するという、従来のUnsupervised Domain Adaptation (UDA) の仮定を緩和する。
MSVDAは、異なるドメインペア間で異なるドメインシフトが存在するため、より難しい。
本研究では,時間的特徴量と空間的特徴量の両方を動的に整列させることにより,効果的な特徴量移動を実現するための新しい時間的注意モーメントアライメントネットワーク(TAMAN)を提案する。
- 参考スコア(独自算出の注目度): 22.003917814026934
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Multi-Source Domain Adaptation (MSDA) is a more practical domain adaptation
scenario in real-world scenarios. It relaxes the assumption in conventional
Unsupervised Domain Adaptation (UDA) that source data are sampled from a single
domain and match a uniform data distribution. MSDA is more difficult due to the
existence of different domain shifts between distinct domain pairs. When
considering videos, the negative transfer would be provoked by spatial-temporal
features and can be formulated into a more challenging Multi-Source Video
Domain Adaptation (MSVDA) problem. In this paper, we address the MSVDA problem
by proposing a novel Temporal Attentive Moment Alignment Network (TAMAN) which
aims for effective feature transfer by dynamically aligning both spatial and
temporal feature moments. TAMAN further constructs robust global temporal
features by attending to dominant domain-invariant local temporal features with
high local classification confidence and low disparity between global and local
feature discrepancies. To facilitate future research on the MSVDA problem, we
introduce comprehensive benchmarks, covering extensive MSVDA scenarios.
Empirical results demonstrate a superior performance of the proposed TAMAN
across multiple MSVDA benchmarks.
- Abstract(参考訳): マルチソースドメイン適応(msda)は、現実のシナリオにおいてより実用的なドメイン適応シナリオである。
ソースデータが単一のドメインからサンプリングされ、均一なデータ分布と一致するという、従来のUnsupervised Domain Adaptation (UDA) の仮定を緩和する。
MSDAは、異なるドメインペア間の異なるドメインシフトが存在するため、より難しい。
ビデオを考えるとき、負の転送は時空間の特徴によって誘発され、より困難なマルチソースビデオドメイン適応(MSVDA)問題に定式化できる。
本稿では,空間的特徴量と時間的特徴量の両方を動的に整列させることにより,効果的な特徴伝達を目的とした新しい時間的注意モーメントアライメントネットワーク(taman)を提案する。
タマンはさらに、局所的な分類の信頼度が高く、大域的特徴と局所的な特徴の差が低い支配的ドメイン不変な局所的特徴に対応することによって、強固なグローバルな時間的特徴を構築する。
今後のMSVDA問題の研究を容易にするため,広範囲なMSVDAシナリオを網羅した総合ベンチマークを導入する。
実験により、複数のMSVDAベンチマークで提案したTAMANの優れた性能を示す。
関連論文リスト
- Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳(メタデータ) (2023-11-21T13:12:21Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [66.53828093487269]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳(メタデータ) (2023-04-06T17:36:23Z) - MEnsA: Mix-up Ensemble Average for Unsupervised Multi Target Domain
Adaptation on 3D Point Clouds [9.568577396815602]
Unlabelled Domain adaptation (UDA) は、教師なしターゲットドメインとラベル付きソースドメインの間の分散シフトの問題に対処する。
我々は,すべてのドメインの特徴表現を混合して,アンサンブル平均によるドメイン適応性能を向上させることを提案する。
混合表現では、ドメイン分類器を用いて、ソースドメインの特徴表現を、共有潜在空間における対象ドメインの特徴表現と区別する。
論文 参考訳(メタデータ) (2023-04-04T06:13:33Z) - Contrastive Domain Adaptation for Time-Series via Temporal Mixup [14.723714504015483]
時系列データのための新しい軽量コントラスト型ドメイン適応フレームワークであるCoTMixを提案する。
具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。
我々のアプローチは、最先端のUDAメソッドを著しく上回ります。
論文 参考訳(メタデータ) (2022-12-03T06:53:38Z) - Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。
これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。
本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-29T08:17:23Z) - Improving Transferability of Domain Adaptation Networks Through Domain
Alignment Layers [1.3766148734487902]
マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。
我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。
我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
論文 参考訳(メタデータ) (2021-09-06T18:41:19Z) - T-SVDNet: Exploring High-Order Prototypical Correlations for
Multi-Source Domain Adaptation [41.356774580308986]
マルチソースドメイン適応の課題に対処するために,T-SVDNetという新しい手法を提案する。
複数のドメインとカテゴリの高次相関は、ドメインギャップを埋めるため、完全に検討されている。
ノイズ源データによる負の伝達を回避するため,新しい不確実性を考慮した重み付け手法を提案する。
論文 参考訳(メタデータ) (2021-07-30T06:33:05Z) - Heuristic Domain Adaptation [105.59792285047536]
Heuristic Domain Adaptation Network (HDAN)は、ドメイン不変およびドメイン固有表現を明示的に学習する。
Heuristic Domain Adaptation Network (HDAN)は、教師なしDA、マルチソースDA、半教師なしDAの最先端を超越している。
論文 参考訳(メタデータ) (2020-11-30T04:21:35Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳(メタデータ) (2020-05-14T04:23:24Z) - Multi-source Domain Adaptation in the Deep Learning Era: A Systematic
Survey [53.656086832255944]
マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。
MDAは学術と産業の両方で注目を集めている。
論文 参考訳(メタデータ) (2020-02-26T08:07:58Z) - 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。