論文の概要: Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for
Semi-supervised Domain Generalization
- arxiv url: http://arxiv.org/abs/2110.04820v1
- Date: Sun, 10 Oct 2021 15:17:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:04:25.439263
- Title: Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for
Semi-supervised Domain Generalization
- Title（参考訳）: 擬似ラベルの改良:半教師付きドメイン一般化のための共同ドメイン認識ラベルとデュアル分類器
- Authors: Ruiqi Wang, Lei Qi, Yinghuan Shi and Yang Gao
- Abstract要約: 本稿では,高品質な擬似ラベルを生成するために,共同ドメイン認識ラベルと二重分類器を用いた新しいフレームワークを提案する。
ドメインシフト中の正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。
また、一般化と擬似ラベルの矛盾した目標を考えると、訓練過程において擬似ラベルとドメインの一般化を独立に行うために二重分類器を用いる。
- 参考スコア（独自算出の注目度）: 26.255457629490135
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the goal of directly generalizing trained models to unseen target
domains, domain generalization (DG), a newly proposed learning paradigm, has
attracted considerable attention. Previous DG models usually require a
sufficient quantity of annotated samples from observed source domains during
training. In this paper, we relax this requirement about full annotation and
investigate semi-supervised domain generalization (SSDG) where only one source
domain is fully annotated along with the other domains totally unlabeled in the
training process. With the challenges of tackling the domain gap between
observed source domains and predicting unseen target domains, we propose a
novel deep framework via joint domain-aware labels and dual-classifier to
produce high-quality pseudo-labels. Concretely, to predict accurate
pseudo-labels under domain shift, a domain-aware pseudo-labeling module is
developed. Also, considering inconsistent goals between generalization and
pseudo-labeling: former prevents overfitting on all source domains while latter
might overfit the unlabeled source domains for high accuracy, we employ a
dual-classifier to independently perform pseudo-labeling and domain
generalization in the training process. Extensive results on publicly available
DG benchmark datasets show the efficacy of our proposed SSDG method compared to
the well-designed baselines and the state-of-the-art semi-supervised learning
methods.
- Abstract（参考訳）: 学習対象ドメインを直接一般化することを目的として,新たに提案された学習パラダイムであるドメイン一般化(DG)が注目されている。
以前のDGモデルは通常、トレーニング中に観測されたソースドメインから十分な量の注釈付きサンプルを必要とする。
本稿では、この全アノテーション要件を緩和し、トレーニングプロセスで完全にラベル付けされていない他のドメインとともに1つのソースドメインだけが完全に注釈付けされている半教師付きドメイン一般化(SSDG)を調査する。
観測されたソースドメイン間のドメインギャップに取り組むことや、未認識のターゲットドメインを予測することの難しさから、より高品質な擬似ラベルを生成するために、ジョイントドメインアウェアラベルとデュアルクラスレータによる新しい深層フレームワークを提案する。
具体的には、ドメインシフトの下で正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。
また、一般化と擬似ラベルの一貫性のない目標を考えると、前者は全てのソースドメインに過剰な適合を防ぎ、後者は高精度にラベル付けされていないソースドメインに過度に適合する可能性がある。
公開されているDGベンチマークデータセットの大規模な結果から,提案手法の有効性が示唆された。
関連論文リスト
- Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。
Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。
DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
論文 参考訳（メタデータ） (2024-07-10T11:11:36Z) - Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳（メタデータ） (2024-01-21T09:57:56Z) - MultiMatch: Multi-task Learning for Semi-supervised Domain Generalization [55.06956781674986]
我々は、各ソースドメインにいくつかのラベル情報がある半教師付きドメイン一般化タスクの解決に頼っている。
我々は、MultiMatchを提案し、FixMatchをマルチタスク学習フレームワークに拡張し、SSDGのための高品質な擬似ラベルを生成する。
提案手法の有効性を検証し,いくつかのベンチマークDGデータセット上で既存の半教師付き手法とSSDG法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-11T14:44:33Z) - Discovering Domain Disentanglement for Generalized Multi-source Domain
Adaptation [48.02978226737235]
典型的なマルチソースドメイン適応(MSDA)アプローチは、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る。
本稿では、各インスタンスのドメイン表現と意味的特徴を分割し、次元的独立性を奨励する変動型ドメイン・アンタングルメント(VDD)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-11T04:33:08Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳（メタデータ） (2022-03-24T11:54:59Z) - Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework [50.88463458896428]
ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。
既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。
本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
論文 参考訳（メタデータ） (2021-11-30T02:35:51Z) - Semi-Supervised Domain Generalization with Evolving Intermediate Domain [24.75184388536862]
ドメインの一般化は、複数のソースドメインでトレーニングされたモデルを、目に見えないターゲットドメインに一般化することを目的としている。
半スーパーバイズド・ドメイン・ジェネリゼーション(Semi-Supervised Domain Generalization)と呼ばれる新しいDGパラダイムを導入する。
我々は,SSDGに対して,擬似ラベリングフェーズと一般化フェーズを独立に開発する。
論文 参考訳（メタデータ） (2021-11-19T13:55:57Z) - 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) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳（メタデータ） (2021-02-17T17:46:06Z) - Domain Generalization via Semi-supervised Meta Learning [7.722498348924133]
ラベルのないサンプルを活用するための領域一般化法を提案する。
メタ学習アプローチによってトレーニングされ、入力されたソースドメインと見えないターゲットドメイン間の分散シフトを模倣する。
ベンチマークデータセットによる実験結果から,DGは最先端領域の一般化や半教師付き学習方法よりも優れていた。
論文 参考訳（メタデータ） (2020-09-26T18:05:04Z)
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。