論文の概要: GearNet: Stepwise Dual Learning for Weakly Supervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2201.06001v1
- Date: Sun, 16 Jan 2022 08:54:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 16:45:46.965131
- Title: GearNet: Stepwise Dual Learning for Weakly Supervised Domain Adaptation
- Title（参考訳）: GearNet: 弱修正ドメイン適応のためのステップワイドデュアルラーニング
- Authors: Renchunzi Xie, Hongxin Wei, Lei Feng and Bo An
- Abstract要約: 本稿では,2つのドメイン間の相互関係を利用するGearNetというユニバーサルパラダイムを提案する。
GearNetは、広範囲の既存のWSDLメソッドのパフォーマンスを向上する大きな可能性を秘めています。
- 参考スコア（独自算出の注目度）: 23.284107434536182
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies weakly supervised domain adaptation(WSDA) problem, where
we only have access to the source domain with noisy labels, from which we need
to transfer useful information to the unlabeled target domain. Although there
have been a few studies on this problem, most of them only exploit
unidirectional relationships from the source domain to the target domain. In
this paper, we propose a universal paradigm called GearNet to exploit bilateral
relationships between the two domains. Specifically, we take the two domains as
different inputs to train two models alternately, and asymmetrical
Kullback-Leibler loss is used for selectively matching the predictions of the
two models in the same domain. This interactive learning schema enables
implicit label noise canceling and exploits correlations between the source and
target domains. Therefore, our GearNet has the great potential to boost the
performance of a wide range of existing WSDL methods. Comprehensive
experimental results show that the performance of existing methods can be
significantly improved by equipping with our GearNet.
- Abstract（参考訳）: 本稿では、ノイズラベル付きソースドメインのみにアクセス可能な、弱教師付きドメイン適応(WSDA)問題について検討し、未ラベルのターゲットドメインに有用な情報を転送する必要がある。
この問題に関する研究はいくつかあるが、そのほとんどはソースドメインからターゲットドメインへの一方向関係のみを利用する。
本稿では,2つのドメイン間の相互関係を利用するGearNetというユニバーサルパラダイムを提案する。
具体的には、2つのドメインを異なる入力として2つのモデルを交互に訓練し、同じドメイン内の2つのモデルの予測を選択的にマッチングするために非対称のKulback-Leibler損失を用いる。
この対話型学習スキーマは、暗黙のラベルノイズキャンセリングを可能にし、ソースとターゲットドメイン間の相関を利用する。
したがって、GearNetは、広範囲の既存のWSDLメソッドのパフォーマンスを向上する大きな可能性を秘めています。
総合的な実験結果から,GearNetを組み込むことで,既存手法の性能を大幅に向上できることが示された。
関連論文リスト
- A Pairwise DomMix Attentive Adversarial Network for Unsupervised Domain Adaptive Object Detection [18.67853854539245]
教師なしドメイン適応オブジェクト検出(DAOD)は、ソースドメインでトレーニングされたモデルを未ラベルのターゲットドメインに適応させ、オブジェクト検出を行う。
本稿では,上記の課題を軽減するために,Domain Mixup (DomMix) モジュールを用いた対角対向ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:25:20Z) - CDA: Contrastive-adversarial Domain Adaptation [11.354043674822451]
我々はtextbfContrastive-adversarial textbfDomain textbfAdaptation textbf(CDA) と呼ばれるドメイン適応のための2段階モデルを提案する。
逆成分はドメインレベルのアライメントを促進するが、2段階のコントラスト学習はクラス情報を利用してドメイン間の高いクラス内コンパクト性を実現する。
論文 参考訳（メタデータ） (2023-01-10T07:43:21Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数の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。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - DecoupleNet: Decoupled Network for Domain Adaptive Semantic Segmentation [78.30720731968135]
セマンティックセグメンテーションにおける教師なしドメイン適応は、高価なピクセル単位のアノテーションへの依存を軽減するために提起されている。
我々は、ソースドメインのオーバーフィットを軽減し、最終的なモデルをセグメント化タスクに集中できるようにするDecoupleNetを提案する。
我々はまた、自己識別(SD)を推進し、擬似ラベルでより識別可能なターゲットドメイン特徴を学習するための補助分類器を導入した。
論文 参考訳（メタデータ） (2022-07-20T15:47:34Z) - Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。
本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。
私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
論文 参考訳（メタデータ） (2021-10-13T04:12:27Z) - Multi-Level Features Contrastive Networks for Unsupervised Domain
Adaptation [6.934905764152813]
教師なしのドメイン適応は、ラベル付きソースドメインからモデルをトレーニングし、ラベルなしのターゲットドメインで予測することを目的としています。
既存のメソッドは2つのドメインをドメインレベルに直接アライメントするか、あるいは深い機能に基づいてクラスレベルのドメインアライメントを実行する傾向があります。
本稿では,クラスレベルのアライメント手法について述べる。
論文 参考訳（メタデータ） (2021-09-14T09:23:27Z) - Dynamic Transfer for Multi-Source Domain Adaptation [82.54405157719641]
モデルパラメータがサンプルに適合する領域の競合に対処するために動的転送を提案する。
ソースドメインの障壁を壊し、マルチソースドメインを単一ソースドメインに変換する。
実験の結果, ドメインラベルを使わずに, 動的移動は最先端の手法よりも3%以上優れていた。
論文 参考訳（メタデータ） (2021-03-19T01:22:12Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z) - 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) - Multi-Source Domain Adaptation for Text Classification via
DistanceNet-Bandits [101.68525259222164]
本研究では,NLPタスクのコンテキストにおいて,サンプル推定に基づく領域間の相違を特徴付ける様々な距離ベース尺度について検討する。
タスクの損失関数と協調して最小化するために,これらの距離測度を付加的な損失関数として用いるディスタンスネットモデルを開発した。
マルチアーム・バンド・コントローラを用いて複数のソース・ドメインを動的に切り替えるDistanceNet-Banditモデルに拡張する。
論文 参考訳（メタデータ） (2020-01-13T15:53:41Z)
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。