論文の概要: A Survey of Unsupervised Domain Adaptation for Visual Recognition

• arxiv url: http://arxiv.org/abs/2112.06745v1
• Date: Mon, 13 Dec 2021 15:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 20:29:15.421382
• Title: A Survey of Unsupervised Domain Adaptation for Visual Recognition
• Title（参考訳）: 視覚認識のための教師なし領域適応の検討
• Authors: Youshan Zhang
• Abstract要約: ドメイン適応(DA)は、あるドメインから別のドメインに知識を移す際のドメインシフト問題を緩和することを目的としています。 Unsupervised DA (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を扱う。
• 参考スコア（独自算出の注目度）: 2.8935588665357077
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: While huge volumes of unlabeled data are generated and made available in many domains, the demand for automated understanding of visual data is higher than ever before. Most existing machine learning models typically rely on massive amounts of labeled training data to achieve high performance. Unfortunately, such a requirement cannot be met in real-world applications. The number of labels is limited and manually annotating data is expensive and time-consuming. It is often necessary to transfer knowledge from an existing labeled domain to a new domain. However, model performance degrades because of the differences between domains (domain shift or dataset bias). To overcome the burden of annotation, Domain Adaptation (DA) aims to mitigate the domain shift problem when transferring knowledge from one domain into another similar but different domain. Unsupervised DA (UDA) deals with a labeled source domain and an unlabeled target domain. The principal objective of UDA is to reduce the domain discrepancy between the labeled source data and unlabeled target data and to learn domain-invariant representations across the two domains during training. In this paper, we first define UDA problem. Secondly, we overview the state-of-the-art methods for different categories of UDA from both traditional methods and deep learning based methods. Finally, we collect frequently used benchmark datasets and report results of the state-of-the-art methods of UDA on visual recognition problem.
• Abstract（参考訳）: ラベルのない大量のデータが生成され、多くのドメインで利用可能になる一方で、視覚データの自動理解に対する需要はこれまで以上に高い。 既存の機械学習モデルの多くは、ハイパフォーマンスを達成するために大量のラベル付きトレーニングデータに依存している。 残念ながら、そのような要件は現実世界のアプリケーションでは満たされない。 ラベルの数は限られており、手動でアノテートするデータは高価で時間を要する。 しばしば、既存のラベル付きドメインから新しいドメインに知識を転送する必要がある。 しかし、ドメイン間の差異(ドメインシフトやデータセットバイアス)により、モデルのパフォーマンスは低下する。 アノテーションの負担を克服するために、ドメイン適応(da)は、あるドメインから別の類似するが異なるドメインに知識を移す際にドメインシフトの問題を軽減することを目的としている。 Unsupervised DA (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を扱う。 UDAの主な目的は、ラベル付きソースデータとラベルなしターゲットデータとの間のドメインの差を減らし、トレーニング中に2つのドメインにわたるドメイン不変表現を学習することである。 本稿ではまず,UDA問題を定義する。 次に,従来の手法と深層学習に基づく手法の両方から,異なるカテゴリのUDAの最先端手法を概説する。 最後に、頻繁に使用されるベンチマークデータセットを収集し、視覚認識問題に対するUDAの最先端手法の結果を報告する。

関連論文リスト

• More is Better: Deep Domain Adaptation with Multiple Sources [34.26271755493111]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを異なる分布を持つ複数のソースから収集できる、強力で実用的な拡張である。 本調査では,まず様々なMDA戦略を定義し,その後,異なる視点から,深層学習時代の現代MDA手法を体系的に要約し,比較する。
  論文  参考訳（メタデータ） (2024-05-01T03:37:12Z)
• Multi-Source Domain Adaptation for Object Detection with Prototype-based Mean-teacher [11.616494893839757]
  視覚オブジェクト検出器を操作対象領域に適応させることは難しい課題であり、一般には教師なし領域適応(UDA)法を用いて達成される。 近年の研究では、ラベル付きデータセットが複数のソースドメインから来ると、それらを別々のドメインとして扱うことで、これらのソースドメインをブレンドしてUDAを実行するよりも正確性と堅牢性を向上させることが示されている。 本稿では,ドメイン特化情報の代わりにクラスプロトタイプを用いてドメイン特化情報をエンコードする,プロトタイプベース平均教師(PMT)と呼ばれる新しいMSDA手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:08:03Z)
• Connect, Not Collapse: Explaining Contrastive Learning for Unsupervised Domain Adaptation [88.5448806952394]
  我々は、対象ドメインのラベル付きデータと対象ドメインのラベルなしデータを用いて、対象ドメインの分類器を学習する、教師なしドメイン適応(UDA)を考える。 ラベル付きソースとターゲットデータの特徴を学習し,ラベル付きソースデータに微調整を行うコントラスト事前学習は,強いUDA手法と競合することを示す。
  論文  参考訳（メタデータ） (2022-04-01T16:56:26Z)
• Robust wav2vec 2.0: Analyzing Domain Shift in Self-Supervised Pre-Training [67.71228426496013]
  事前トレーニング中にターゲットドメインデータを使用することで,さまざまなセットアップで大幅なパフォーマンス向上が期待できる。 複数のドメインで事前トレーニングを行うことで、トレーニング中に見られないドメインのパフォーマンスの一般化が向上します。
  論文  参考訳（メタデータ） (2021-04-02T12:53:15Z)
• 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)
• 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)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための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） (2020-03-08T14:20:24Z)
• 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)

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。