論文の概要: Semi-Supervised Domain Generalization with Evolving Intermediate Domain
- arxiv url: http://arxiv.org/abs/2111.10221v3
- Date: Wed, 5 Apr 2023 07:28:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 16:43:44.658431
- Title: Semi-Supervised Domain Generalization with Evolving Intermediate Domain
- Title（参考訳）: 中間領域を進化させる半スーパービジョン領域一般化
- Authors: Luojun Lin, Han Xie, Zhishu Sun, Weijie Chen, Wenxi Liu, Yuanlong Yu,
Lei Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 24.75184388536862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Generalization (DG) aims to generalize a model trained on multiple
source domains to an unseen target domain. The source domains always require
precise annotations, which can be cumbersome or even infeasible to obtain in
practice due to the vast amount of data involved. Web data, however, offers an
opportunity to access large amounts of unlabeled data with rich style
information, which can be leveraged to improve DG. From this perspective, we
introduce a novel paradigm of DG, termed as Semi-Supervised Domain
Generalization (SSDG), to explore how the labeled and unlabeled source domains
can interact, and establish two settings, including the close-set and open-set
SSDG. The close-set SSDG is based on existing public DG datasets, while the
open-set SSDG, built on the newly-collected web-crawled datasets, presents a
novel yet realistic challenge that pushes the limits of current technologies. A
natural approach of SSDG is to transfer knowledge from labeled data to
unlabeled data via pseudo labeling, and train the model on both labeled and
pseudo-labeled data for generalization. Since there are conflicting goals
between domain-oriented pseudo labeling and out-of-domain generalization, we
develop a pseudo labeling phase and a generalization phase independently for
SSDG. Unfortunately, due to the large domain gap, the pseudo labels provided in
the pseudo labeling phase inevitably contain noise, which has negative affect
on the subsequent generalization phase. Therefore, to improve the quality of
pseudo labels and further enhance generalizability, we propose a cyclic
learning framework to encourage a positive feedback between these two phases,
utilizing an evolving intermediate domain that bridges the labeled and
unlabeled domains in a curriculum learning manner...
- Abstract（参考訳）: ドメイン一般化(DG)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。
ソースドメインは、常に正確なアノテーションを必要とするが、大量のデータを必要とするため、実際には入手できない。
しかし、Webデータは、DGを改善するために活用できるリッチなスタイルの情報によって、大量のラベルのないデータにアクセスする機会を提供する。
この観点から、ラベル付きおよびラベルなしのソースドメインがどのように相互作用するかを探求し、クローズセットとオープンセットのSSDGを含む2つの設定を確立するため、Semi-Supervised Domain Generalization (SSDG)と呼ばれる新しいDGパラダイムを導入する。
クローズセットのSSDGは、既存の公開DGデータセットに基づいており、新しくコンパイルされたWebcrawledデータセット上に構築されたオープンソースのSSDGは、現在のテクノロジの限界を推し進める、斬新で現実的な挑戦を示している。
SSDGの自然なアプローチは、ラベル付きデータから擬似ラベル付きデータへ知識を伝達し、ラベル付きデータと擬似ラベル付きデータの両方でモデルを訓練して一般化することである。
ドメイン指向擬似ラベリングとドメイン外一般化には相反する目標があるため、ssdgとは独立に擬似ラベリングフェーズと一般化フェーズを開発する。
残念ながら、大きなドメインギャップのため、擬似ラベリングフェーズで提供される擬似ラベルは必然的にノイズを含み、その後の一般化フェーズに悪影響を及ぼす。
そこで, 擬似ラベルの品質向上と一般化性の向上を目的として, この2つのフェーズ間の肯定的なフィードバックを促す循環学習フレームワークを提案し, ラベル付きドメインとラベルなしドメインをカリキュラム学習方式でブリッジする進化中の中間ドメインを利用する。
関連論文リスト
- GenGMM: Generalized Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.9626666671366837]
一般化ガウス混合(GenGMM)ドメイン適応モデルを導入する。
実験は我々のアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2024-10-21T20:21:09Z) - 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) - Label-Efficient Domain Generalization via Collaborative Exploration and
Generalization [28.573872986524794]
本稿では,ラベル制限されたソースドメインを用いたモデル一般化を実現するために,ラベル効率のよいドメイン一般化(LEDG)を提案する。
本稿では,活発な探索と半教師付き一般化を共同で最適化する,共同探索・一般化(CEG)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-07T05:34:50Z) - Localized Adversarial Domain Generalization [83.4195658745378]
対数領域の一般化は、領域の一般化に対する一般的なアプローチである。
空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。
我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2022-05-09T08:30:31Z) - 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) - Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for
Semi-supervised Domain Generalization [26.255457629490135]
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。
論文 参考訳（メタデータ） (2021-10-10T15:17:27Z) - Generalize then Adapt: Source-Free Domain Adaptive Semantic Segmentation [78.38321096371106]
先行技術はラベル付きソースとラベルなしターゲットの両方への同時アクセスを前提としており、ソースフリー適応を必要とするシナリオには適さない。
本研究では、タスクをa)ソースのみのドメイン一般化とb)ソースフリーなターゲット適応の2つに分割することで、ソースフリーのDAを可能にする。
本研究では,空間的不規則性を回避し,擬似ラベル品質を向上する条件付き事前強化オートエンコーダを提案する。
論文 参考訳（メタデータ） (2021-08-25T14:18:59Z) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳（メタデータ） (2020-07-27T00:08:07Z)
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。