論文の概要: Aligning Domain-specific Distribution and Classifier for Cross-domain
Classification from Multiple Sources
- arxiv url: http://arxiv.org/abs/2201.01003v1
- Date: Tue, 4 Jan 2022 06:35:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 13:06:04.110190
- Title: Aligning Domain-specific Distribution and Classifier for Cross-domain
Classification from Multiple Sources
- Title（参考訳）: 複数のソースからのクロスドメイン分類のためのドメイン固有分布と分類器の調整
- Authors: Yongchun Zhu, Fuzhen Zhuang, Deqing Wang
- Abstract要約: 教師なしドメイン適応のための2つのアライメントステージを持つ新しいフレームワークを提案する。
本手法は画像分類のための一般的なベンチマークデータセットにおいて顕著な結果が得られる。
- 参考スコア（独自算出の注目度）: 25.204055330850164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Unsupervised Domain Adaptation (UDA) algorithms, i.e., there are only
labeled data from source domains, have been actively studied in recent years,
most algorithms and theoretical results focus on Single-source Unsupervised
Domain Adaptation (SUDA). However, in the practical scenario, labeled data can
be typically collected from multiple diverse sources, and they might be
different not only from the target domain but also from each other. Thus,
domain adapters from multiple sources should not be modeled in the same way.
Recent deep learning based Multi-source Unsupervised Domain Adaptation (MUDA)
algorithms focus on extracting common domain-invariant representations for all
domains by aligning distribution of all pairs of source and target domains in a
common feature space. However, it is often very hard to extract the same
domain-invariant representations for all domains in MUDA. In addition, these
methods match distributions without considering domain-specific decision
boundaries between classes. To solve these problems, we propose a new framework
with two alignment stages for MUDA which not only respectively aligns the
distributions of each pair of source and target domains in multiple specific
feature spaces, but also aligns the outputs of classifiers by utilizing the
domain-specific decision boundaries. Extensive experiments demonstrate that our
method can achieve remarkable results on popular benchmark datasets for image
classification.
- Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)アルゴリズム、すなわち、ソースドメインからのラベル付きデータのみが近年活発に研究されているが、ほとんどのアルゴリズムと理論的結果は単一ソースのUnsupervised Domain Adaptation (SUDA)に焦点を当てている。
しかしながら、実用的なシナリオでは、ラベル付きデータは一般的に複数のソースから収集され、ターゲットドメインだけでなく、互いに異なる可能性がある。
したがって、複数のソースからのドメインアダプタを同じ方法でモデル化するべきではない。
最近の深層学習に基づくMulti-source Unsupervised Domain Adaptation (MUDA)アルゴリズムは、共通特徴空間におけるすべてのソースとターゲットドメインの分布を整列させることにより、すべてのドメインに対して共通のドメイン不変表現を抽出することに焦点を当てている。
しかし、MUDAのすべての領域に対して同じドメイン不変表現を抽出することはしばしば困難である。
さらに、これらの手法はクラス間のドメイン固有の決定境界を考慮せずに分布に一致する。
これらの問題を解決するために,複数の特徴空間において各ソースとターゲットドメインの分布をそれぞれ整列するだけでなく,ドメイン固有の決定境界を利用して分類器の出力を整列するMUDAの2つのアライメント段階を持つ新しいフレームワークを提案する。
広範な実験により,本手法は画像分類のためのベンチマークデータセットにおいて顕著な結果が得られることを示した。
関連論文リスト
- Noisy Universal Domain Adaptation via Divergence Optimization for Visual
Recognition [30.31153237003218]
ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する、Noisy UniDAという新しいシナリオが提案されている。
ノイズUniDAで直面するすべての課題に同時に対処するために、マルチヘッド畳み込みニューラルネットワークフレームワークが提案されている。
論文 参考訳（メタデータ） (2023-04-20T14:18:38Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳（メタデータ） (2022-08-02T01:38:37Z) - 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) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-09T20:05:54Z) - Domain Consistency Regularization for Unsupervised Multi-source Domain
Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。
MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。
本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-16T07:29:27Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳（メタデータ） (2021-06-10T06:32:30Z) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳（メタデータ） (2020-08-27T01:29:10Z) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-03-29T04:31:43Z)
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。