論文の概要: UMAD: Universal Model Adaptation under Domain and Category Shift

• arxiv url: http://arxiv.org/abs/2112.08553v1
• Date: Thu, 16 Dec 2021 01:22:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:17:04.584922
• Title: UMAD: Universal Model Adaptation under Domain and Category Shift
• Title（参考訳）: UMAD: ドメインとカテゴリシフトによるユニバーサルモデル適応
• Authors: Jian Liang and Dapeng Hu and Jiashi Feng and Ran He
• Abstract要約: Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
• 参考スコア（独自算出の注目度）: 138.12678159620248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to reject unknown samples (not present in the source classes) in the target domain is fairly important for unsupervised domain adaptation (UDA). There exist two typical UDA scenarios, i.e., open-set, and open-partial-set, and the latter assumes that not all source classes appear in the target domain. However, most prior methods are designed for one UDA scenario and always perform badly on the other UDA scenario. Moreover, they also require the labeled source data during adaptation, limiting their usability in data privacy-sensitive applications. To address these issues, this paper proposes a Universal Model ADaptation (UMAD) framework which handles both UDA scenarios without access to the source data nor prior knowledge about the category shift between domains. Specifically, we aim to learn a source model with an elegantly designed two-head classifier and provide it to the target domain. During adaptation, we develop an informative consistency score to help distinguish unknown samples from known samples. To achieve bilateral adaptation in the target domain, we further maximize localized mutual information to align known samples with the source classifier and employ an entropic loss to push unknown samples far away from the source classification boundary, respectively. Experiments on open-set and open-partial-set UDA scenarios demonstrate that UMAD, as a unified approach without access to source data, exhibits comparable, if not superior, performance to state-of-the-art data-dependent methods.
• Abstract（参考訳）: 対象ドメイン内の未知のサンプル(ソースクラスには存在しない)を拒否する学習は、教師なしドメイン適応(uda)にとって極めて重要である。 オープンセット(open-set)とオープンパーティルセット(open-partial-set)の2つの典型的な UDA シナリオがあり、後者は全てのソースクラスがターゲットドメインに現れるわけではないと仮定する。 しかしながら、ほとんどの先行するメソッドは、1つのUDAシナリオのために設計されており、常に他のUDAシナリオでひどいパフォーマンスを保っています。 さらに、適応中にラベル付きソースデータを必要とするため、データプライバシに敏感なアプリケーションでのユーザビリティが制限される。 これらの課題に対処するため,本論文では,ソースデータへのアクセスやドメイン間のカテゴリシフトに関する事前の知識を必要とせずに,UDAシナリオの両方を処理するユニバーサルモデル適応(UMAD)フレームワークを提案する。 具体的には、エレガントに設計された二頭分類器でソースモデルを学習し、ターゲットドメインに提供することを目的としています。 適応中,未知のサンプルと既知のサンプルを区別するための情報的一貫性スコアを開発した。 対象領域における二国間適応を実現するために, 既知のサンプルをソース分類器と整合させる局所的な相互情報をさらに最大化し, 未知のサンプルをソース分類境界から遠ざけるためにエントロピー損失を用いる。 オープンセットとオープンパーティルセットのUDAシナリオの実験では、UMADはソースデータにアクセスせずに統一されたアプローチとして、最先端のデータ依存手法と同等のパフォーマンスを示す。

関連論文リスト

• Universal Domain Adaptation for Remote Sensing Image Scene Classification [27.422845844752338]
  リモートセンシング画像シーン分類のための実用的なユニバーサルドメイン適応設定を提案する。 ソースデータが利用できない場合に、ソースデータのない新しいユニバーサルドメイン適応法を提案する。 実験の結果,提案手法はリモートセンシング画像のシーン分類に有効で実用的であることが示された。
  論文  参考訳（メタデータ） (2023-01-26T20:04:24Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なる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ます。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。