論文の概要: Semi-Supervised Adversarial Discriminative Domain Adaptation
- arxiv url: http://arxiv.org/abs/2109.13016v1
- Date: Mon, 27 Sep 2021 12:52:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 22:49:05.782572
- Title: Semi-Supervised Adversarial Discriminative Domain Adaptation
- Title（参考訳）: 半スーパーバイバル判別ドメイン適応法
- Authors: Thai-Vu Nguyen, Anh Nguyen, Bac Le
- Abstract要約: ドメイン適応は、ラベル付きデータの欠如を処理できる強力なディープニューラルネットワークをトレーニングする潜在的な方法である。
本稿では,SADDA (Semi-Supervised Adversarial Discriminative Domain Adaptation) と呼ばれる改良された対向領域適応法を提案する。
- 参考スコア（独自算出の注目度）: 18.15464889789663
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Domain adaptation is a potential method to train a powerful deep neural
network, which can handle the absence of labeled data. More precisely, domain
adaptation solving the limitation called dataset bias or domain shift when the
training dataset and testing dataset are extremely different. Adversarial
adaptation method becoming popular among other domain adaptation methods.
Relies on the idea of GAN, adversarial domain adaptation tries to minimize the
distribution between training and testing datasets base on the adversarial
object. However, some conventional adversarial domain adaptation methods cannot
handle large domain shifts between two datasets or the generalization ability
of these methods are inefficient. In this paper, we propose an improved
adversarial domain adaptation method called Semi-Supervised Adversarial
Discriminative Domain Adaptation (SADDA), which can overcome the limitation of
other domain adaptation. We also show that SADDA has better performance than
other adversarial adaptation methods and illustrate the promise of our method
on digit classification and emotion recognition problems.
- Abstract（参考訳）: ドメイン適応は、ラベル付きデータの欠如を処理できる強力なディープニューラルネットワークをトレーニングする潜在的な方法である。
より正確には、トレーニングデータセットとテストデータセットが極めて異なる場合、データセットバイアスまたはドメインシフトと呼ばれる制限を解決するドメイン適応。
逆適応法は、他の領域適応法に人気がある。
GANの考え方に基づいて、敵対的ドメイン適応は、敵的オブジェクトに基づくトレーニングとテストデータセット間の分散を最小化しようとする。
しかし、従来の敵対的ドメイン適応法は、2つのデータセット間の大きなドメインシフトを処理できないか、あるいはそれらの方法の一般化能力が非効率である。
本稿では、他の領域適応の制限を克服できる半スーパーバイバル識別ドメイン適応(SADDA)と呼ばれる改良された対向ドメイン適応法を提案する。
また、サッダは他の逆適応法よりも優れた性能を示し、指の分類や感情認識問題に対する本手法の期待を示す。
関連論文リスト
- Towards Subject Agnostic Affective Emotion Recognition [8.142798657174332]
脳波信号による脳-コンピュータインタフェース(aBCI)の不安定性
本稿では,メタラーニングに基づくメタドメイン適応手法を提案する。
提案手法は,パブリックなaBICsデータセットの実験において有効であることが示されている。
論文 参考訳（メタデータ） (2023-10-20T23:44:34Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Semi-Supervised Hypothesis Transfer for Source-Free Domain Adaptation [38.982377864475374]
適応段階のソースデータにアクセスすることなく,仮説伝達による新しい領域適応手法を提案する。
対象データを完全に活用するために,半教師付き相互拡張法を提案する。
本手法は最先端の手法と比較して,半教師付き適応タスクにおいて最大19.9%の改善が得られた。
論文 参考訳（メタデータ） (2021-07-14T14:26:09Z) - Self-Domain Adaptation for Face Anti-Spoofing [31.441928816043536]
推論時にラベルのないテストドメインデータを利用するための自己ドメイン適応フレームワークを提案する。
トレーニングステップで複数のソースドメインのデータを用いて,メタラーニングに基づく適応学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-24T08:46:39Z) - Selective Pseudo-Labeling with Reinforcement Learning for
Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。
高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。
提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-12-07T03:37:38Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳（メタデータ） (2020-12-04T14:28:19Z) - Knowledge Distillation for BERT Unsupervised Domain Adaptation [2.969705152497174]
トレーニング済みの言語モデルであるBERTは、さまざまな自然言語処理タスクで大幅なパフォーマンス向上を実現している。
蒸留による逆順応法(AAD)を提案する。
ドメイン間感情分類におけるアプローチを30組のドメイン対で評価した。
論文 参考訳（メタデータ） (2020-10-22T06:51:24Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z) - Class-Incremental Domain Adaptation [56.72064953133832]
私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。
既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。
提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
論文 参考訳（メタデータ） (2020-08-04T07:55:03Z)
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。