論文の概要: Calibrating Class Weights with Multi-Modal Information for Partial Video Domain Adaptation

• arxiv url: http://arxiv.org/abs/2204.06187v1
• Date: Wed, 13 Apr 2022 06:12:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-14 13:24:32.883635
• Title: Calibrating Class Weights with Multi-Modal Information for Partial Video Domain Adaptation
• Title（参考訳）: 部分ビデオ領域適応のためのマルチモーダル情報を用いたクラスウェイト校正
• Authors: Xiyu Wang, Yuecong Xu, Kezhi Mao, Jianfei Yang
• Abstract要約: 不正なクラス重みによる負の移動を軽減するために,マルチモーダルクラスタ対部分アドリアネットワーク(MCAN)を提案する。 MCANは、複数の時間スケールからのマルチモーダル機能によるビデオ特徴抽出を強化し、より堅牢な全体的な特徴を形成する。
• 参考スコア（独自算出の注目度）: 18.6604339776585
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Assuming the source label space subsumes the target one, Partial Video Domain Adaptation (PVDA) is a more general and practical scenario for cross-domain video classification problems. The key challenge of PVDA is to mitigate the negative transfer caused by the source-only outlier classes. To tackle this challenge, a crucial step is to aggregate target predictions to assign class weights by up-weighing target classes and down-weighing outlier classes. However, the incorrect predictions of class weights can mislead the network and lead to negative transfer. Previous works improve the class weight accuracy by utilizing temporal features and attention mechanisms, but these methods may fall short when trying to generate accurate class weight when domain shifts are significant, as in most real-world scenarios. To deal with these challenges, we propose the Multi-modality Cluster-calibrated partial Adversarial Network (MCAN). MCAN enhances video feature extraction with multi-modal features from multiple temporal scales to form more robust overall features. It utilizes a novel class weight calibration method to alleviate the negative transfer caused by incorrect class weights. The calibration method tries to identify and weigh correct and incorrect predictions using distributional information implied by unsupervised clustering. Extensive experiments are conducted on prevailing PVDA benchmarks, and the proposed MCAN achieves significant improvements when compared to state-of-the-art PVDA methods.
• Abstract（参考訳）: ソースラベル空間が対象と仮定すると、部分ビデオ領域適応(PVDA)は、クロスドメインビデオ分類問題に対してより一般的で実践的なシナリオである。 PVDAの主な課題は、ソースのみの外れ値クラスによる負の転送を緩和することである。 この課題に取り組むための重要なステップは、ターゲットの予測を集約し、ターゲットのクラスを高くして、クラスの重み付けを割り当てることである。 しかし、クラス重みの誤った予測はネットワークを誤解し、負の転送につながる可能性がある。 以前の研究は、時間的特徴と注意機構を利用してクラスウェイトの精度を向上させるが、実際のシナリオのように、ドメインシフトが重要な場合、これらの手法は正確なクラスウェイトを生成しようとすると不足する可能性がある。 これらの課題に対処するため,マルチモダリティクラスタ校正部分適応ネットワーク(MCAN)を提案する。 MCANは、複数の時間スケールからのマルチモーダル機能によるビデオ特徴抽出を強化し、より堅牢な全体的な特徴を形成する。 不正なクラス重みによる負の移動を緩和するために、新しいクラス重みの校正法を用いる。 キャリブレーション手法は,教師なしクラスタリングに暗示される分布情報を用いて,正確かつ不正確な予測を同定し,重み付けを試みる。 一般のPVDAベンチマークで大規模な実験を行い、提案手法は最先端のPVDA法と比較して大幅に改善されている。

関連論文リスト

• Adaptive Margin Global Classifier for Exemplar-Free Class-Incremental Learning [3.4069627091757178]
  既存の手法は主にバイアス学習を扱うことに焦点を当てている。 本研究では,データ不均衡やサンプリングといった既存手法のバイアス要因を回避するために,分散ベースグローバル(DBGC)を導入する。 さらに重要なのは、古いクラスの妥協された分布は、単純な操作、分散(VE)によってシミュレートされることだ。 この損失は、Adaptive Margin Softmax Cross Entropy (AMarX)と等価であることが証明されている。
  論文  参考訳（メタデータ） (2024-09-20T07:07:23Z)
• SFC: Shared Feature Calibration in Weakly Supervised Semantic Segmentation [28.846513129022803]
  画像レベルの教師付きセマンティックセグメンテーションはアノテーションコストの低さから注目されている。 既存の手法は主にクラスマッピング(CAM)に頼り、セマンティックセグメンテーションモデルをトレーニングするための擬似ラベルを得る。 本研究は,学習データにおける長い尾の分布が,ヘッドクラスとテールクラス間の共有特徴により,ヘッドクラスとアンダークラスの重みを過剰に活性化し,テールクラスとアンダークラスの重み付けによって計算されたCAMを生じさせることを示す最初の試みである。
  論文  参考訳（メタデータ） (2024-01-22T06:43:13Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Multi-Head Multi-Loss Model Calibration [13.841172927454204]
  我々は,深層アンサンブルの訓練と推論に要する費用を省く,単純化されたアンサンブルの形式を導入する。 具体的には、各頭部は、重み付きクロスエントロピー損失を最小限に抑えるために訓練されるが、重みは異なる枝によって異なる。 その結果,2つの挑戦データセットにおいて精度を犠牲にすることなく,精度の高いキャリブレーションを達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-03-02T09:32:32Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Class-Wise Difficulty-Balanced Loss for Solving Class-Imbalance [6.875312133832079]
  そこで本研究では,クラスワイド・バランサード・ロスと呼ばれる新しい損失関数を提案する。 サンプルが属するクラスの難易度に応じて、各サンプルに動的に重みを分配する。 その結果、CDB損失はクラス不均衡データセットにおける最近提案された損失関数よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2020-10-05T07:19:19Z)
• Transferable Calibration with Lower Bias and Variance in Domain Adaptation [139.4332115349543]
  ドメイン適応(DA)は、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への学習マシンの転送を可能にする。 DAモデルの予測的不確実性を推定する方法は、安全クリティカルなシナリオにおける意思決定に不可欠である。 TransCalは既存のDAメソッドの校正に簡単に適用できる。
  論文  参考訳（メタデータ） (2020-07-16T11:09:36Z)

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。