論文の概要: Federated Unsupervised Domain Adaptation for Face Recognition

• arxiv url: http://arxiv.org/abs/2204.04382v1
• Date: Sat, 9 Apr 2022 04:02:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 14:59:13.565337
• Title: Federated Unsupervised Domain Adaptation for Face Recognition
• Title（参考訳）: フェデレーション非教師なし領域適応による顔認識
• Authors: Weiming Zhuang, Xin Gan, Yonggang Wen, Xuesen Zhang, Shuai Zhang, Shuai Yi
• Abstract要約: 顔認識のための非教師付きドメイン適応フェデレーションであるFedFRを提案する。 対象領域におけるラベルなしデータに対しては,距離制約付きクラスタリングアルゴリズムを強化し,予測された擬似ラベルの品質を向上させる。 また、フェデレート学習において、ソースドメイントレーニングを正規化するための新しいドメイン制約損失を提案する。
• 参考スコア（独自算出の注目度）: 26.336693850812118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given labeled data in a source domain, unsupervised domain adaptation has been widely adopted to generalize models for unlabeled data in a target domain, whose data distributions are different. However, existing works are inapplicable to face recognition under privacy constraints because they require sharing of sensitive face images between domains. To address this problem, we propose federated unsupervised domain adaptation for face recognition, FedFR. FedFR jointly optimizes clustering-based domain adaptation and federated learning to elevate performance on the target domain. Specifically, for unlabeled data in the target domain, we enhance a clustering algorithm with distance constrain to improve the quality of predicted pseudo labels. Besides, we propose a new domain constraint loss (DCL) to regularize source domain training in federated learning. Extensive experiments on a newly constructed benchmark demonstrate that FedFR outperforms the baseline and classic methods on the target domain by 3% to 14% on different evaluation metrics.
• Abstract（参考訳）: ソースドメイン内のラベル付きデータを考えると、データ分布が異なるターゲットドメイン内のラベルなしデータのモデルを一般化するために、教師なしドメイン適応が広く採用されている。 しかし、既存の作品は、ドメイン間でセンシティブな顔画像を共有する必要があるため、プライバシー制約下での顔認識には不適格である。 この問題に対処するために,フェデレーション付き非教師付きドメイン適応(FedFR)を提案する。 FedFRはクラスタリングベースのドメイン適応とフェデレーション学習を共同で最適化し、ターゲットドメインのパフォーマンスを向上する。 具体的には,対象領域におけるラベルなしデータに対して,距離制約のあるクラスタリングアルゴリズムを拡張し,予測された擬似ラベルの品質を向上させる。 さらに、フェデレーション学習におけるソースドメイントレーニングを規則化する新しいドメイン制約損失(dcl)を提案する。 新しく構築されたベンチマークに関する広範囲な実験により、fedfrは、異なる評価指標で、ターゲットドメインのベースラインとクラシックメソッドを3%から14%上回っていることが示されている。

関連論文リスト

• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• 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)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• 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)
• Towards Unsupervised Domain Adaptation for Deep Face Recognition under Privacy Constraints via Federated Learning [33.33475702665153]
  FedFR (Unsupervised Federated Face Recognition approach) を提案する。 fedfrは、フェデレーション学習を通じてソースドメインから知識を反復的に集約することで、ターゲットドメインのパフォーマンスを向上させる。 ドメイン間の生データの代わりにモデルを転送することで、データプライバシーを保護します。
  論文  参考訳（メタデータ） (2021-05-17T04:24:25Z)
• Preserving Semantic Consistency in Unsupervised Domain Adaptation Using Generative Adversarial Networks [33.84004077585957]
  SCGAN (End-to-end novel consistent generation adversarial Network) を提案する。 このネットワークは、機能レベルでセマンティック情報をキャプチャすることで、ソースからターゲットドメインマッチングを実現できます。 本稿では,教師なしドメイン適応設定における最先端性能を超える提案手法の頑健性を示す。
  論文  参考訳（メタデータ） (2021-04-28T12:23:30Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)

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。