Fugu-MT 論文翻訳(概要): Pre-Training Transformers for Domain Adaptation

論文の概要: Pre-Training Transformers for Domain Adaptation

arxiv url: http://arxiv.org/abs/2112.09965v1
Date: Sat, 18 Dec 2021 16:52:48 GMT
ステータス: 処理完了
システム内更新日: 2021-12-22 08:41:23.423134
Title: Pre-Training Transformers for Domain Adaptation
Title（参考訳）: ドメイン適応のための事前学習変換器
Authors: Burhan Ul Tayyab and Nicholas Chua
Abstract要約: 本稿では、ソースデータセットからキー属性を抽出し、半教師付きでターゲットデータセットに適用する能力を実証する。提案手法は最先端技術(SoTA)よりも優れており, ACC 56.29%, AUROC 69.79%で ViSDA Domain Adaptation Challenge で1位を獲得できた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The Visual Domain Adaptation Challenge 2021 called for unsupervised domain adaptation methods that could improve the performance of models by transferring the knowledge obtained from source datasets to out-of-distribution target datasets. In this paper, we utilize BeiT [1] and demonstrate its capability of capturing key attributes from source datasets and apply it to target datasets in a semi-supervised manner. Our method was able to outperform current state-of-the-art (SoTA) techniques and was able to achieve 1st place on the ViSDA Domain Adaptation Challenge with ACC of 56.29% and AUROC of 69.79%.
Abstract（参考訳）: Visual Domain Adaptation Challenge 2021では、ソースデータセットから得られた知識をアウト・オブ・ディストリビューションターゲットデータセットに転送することで、モデルのパフォーマンスを向上させる、教師なしのドメイン適応手法が求められた。本稿では,beit [1]を用いて,ソースデータセットからキー属性をキャプチャし,半教師あり方式でターゲットデータセットに適用する能力を示す。提案手法は最先端技術(SoTA)よりも優れており, ACC 56.29%, AUROC 69.79%で ViSDA Domain Adaptation Challenge で1位を獲得できた。

関連論文リスト

Style Adaptation for Domain-adaptive Semantic Segmentation [2.1365683052370046]
ドメインの不一致は、ターゲットドメインに適用した場合、ソースドメインデータに基づいてトレーニングされた一般的なネットワークモデルの性能を著しく低下させる。パラメータ計算を必要とせず、自己学習に基づくUDA手法とシームレスに統合する。提案手法は,GTA->Cityscapesデータセット上で76.93 mIoUの有意なUDA性能を達成し,過去の成果に比べて+1.03ポイント向上したことを示す。
論文参考訳（メタデータ） (2024-04-25T02:51:55Z)
Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文参考訳（メタデータ） (2023-07-30T11:38:46Z)
MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文参考訳（メタデータ） (2023-01-18T07:55:22Z)
Source Domain Subset Sampling for Semi-Supervised Domain Adaptation in Semantic Segmentation [8.588352155493453]
半教師付き領域適応の新しい視点として、ソースドメインサブセットサンプリング(SDSS)を提案する。私たちのキーとなる前提は、ソース・ドメイン・データ全体が適応に不向きなサンプルを含むかもしれないということです。提案手法は,大規模に意味のあるサブセットを生成するために,効果的に全ソースデータをサブサンプリングする。
論文参考訳（メタデータ） (2022-04-30T17:29:56Z)
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)
Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文参考訳（メタデータ） (2022-03-29T17:50:43Z)
VisDA-2021 Competition Universal Domain Adaptation to Improve Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文参考訳（メタデータ） (2021-07-23T03:21:51Z)
Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2021-05-28T23:06:26Z)
Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
論文参考訳（メタデータ） (2021-03-30T14:14:29Z)
Data Augmentation with norm-VAE for Unsupervised Domain Adaptation [26.889303784575805]
我々は,高次元同次特徴空間内の両領域に対して,明示的な領域適応を伴わない統一型分類器を学習する。提案手法は,SPL(Selective Pseudo-Labelling)技術を用いて,対象領域の未ラベルサンプルを有効活用する。本稿では,データ拡張戦略として,対象領域の合成特徴を生成する新しい生成モデルノルムVAEを提案する。
論文参考訳（メタデータ） (2020-12-01T21:41:08Z)

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。