論文の概要: Active Source Free Domain Adaptation
- arxiv url: http://arxiv.org/abs/2205.10711v1
- Date: Sun, 22 May 2022 02:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 06:50:03.103408
- Title: Active Source Free Domain Adaptation
- Title(参考訳): アクティブソースフリードメイン適応
- Authors: Fan Wang, Zhongyi Han, Zhiyan Zhang, Yilong Yin
- Abstract要約: 我々は、専門家がラベル付けするいくつかのターゲットデータを積極的に選択できる、アクティブなソースフリードメイン適応(ASFDA)を導入する。
我々は,MHを積極的に探索し,活用するために,最小幸福点学習(MHPL)を提案する。
MHPLは様々な種類のベースラインをはるかに上回り、少量のラベル付けコストで大幅な性能向上を実現している。
- 参考スコア(独自算出の注目度): 37.39655632161998
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source free domain adaptation (SFDA) aims to transfer a trained source model
to the unlabeled target domain without accessing the source data. However, the
SFDA setting faces an effect bottleneck due to the absence of source data and
target supervised information, as evidenced by the limited performance gains of
newest SFDA methods. In this paper, for the first time, we introduce a more
practical scenario called active source free domain adaptation (ASFDA) that
permits actively selecting a few target data to be labeled by experts. To
achieve that, we first find that those satisfying the properties of
neighbor-chaotic, individual-different, and target-like are the best points to
select, and we define them as the minimum happy (MH) points. We then propose
minimum happy points learning (MHPL) to actively explore and exploit MH points.
We design three unique strategies: neighbor ambient uncertainty, neighbor
diversity relaxation, and one-shot querying, to explore the MH points. Further,
to fully exploit MH points in the learning process, we design a neighbor focal
loss that assigns the weighted neighbor purity to the cross-entropy loss of MH
points to make the model focus more on them. Extensive experiments verify that
MHPL remarkably exceeds the various types of baselines and achieves significant
performance gains at a small cost of labeling.
- Abstract(参考訳): source free domain adaptation (sfda) は、トレーニング済みのソースモデルを、ソースデータにアクセスせずにラベルなしのターゲットドメインに転送することを目的としている。
しかし,最新のsfda手法の性能向上が限定されたことが示されるように,ソースデータや対象情報の欠如により,sfda設定は効果ボトルネックに直面している。
本稿では,専門家によってラベル付けされる少数のターゲットデータを積極的に選択できる,ASFDA(Active Source Free Domain Adaptation)という,より実用的なシナリオを紹介した。
それを達成するために、まず、隣り合うカオス、個人差、ターゲットのような性質を満たすものが選択すべき最善の点であることを発見し、それらを最小幸福(mh)点と定義する。
次に,MHPLを積極的に探索し,活用するために,最小幸福点学習(MHPL)を提案する。
周辺環境の不確実性、近隣の多様性緩和、MH点探索のためのワンショットクエリという3つのユニークな戦略を設計する。
さらに,学習過程におけるMH点を完全に活用するために,重み付けされた近傍の純度をMH点のクロスエントロピー損失に割り当てた近傍の焦点損失を設計し,モデルがより重視されるようにした。
大規模な実験により、MHPLは様々な種類のベースラインを著しく超え、少量のラベリングコストで大幅な性能向上を実現している。
関連論文リスト
- Trust your Good Friends: Source-free Domain Adaptation by Reciprocal
Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳(メタデータ) (2023-09-01T15:31:18Z) - Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。
本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。
また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
論文 参考訳(メタデータ) (2023-06-16T18:56:44Z) - RelaMiX: Exploring Few-Shot Adaptation in Video-based Action Recognition [48.25320196587867]
ビデオベースアクティビティ認識(FSDA-AR)のためのFew-Shot Domain Adaptation
多様なドメインタイプを考慮した5つの確立されたデータセットを用いてFSDA-ARベンチマークを構築した。
本稿では,数少ないラベル付き対象ドメインサンプルを知識ガイダンスとして活用するための新しいアプローチであるRelaMiXを提案する。
論文 参考訳(メタデータ) (2023-05-15T08:01:05Z) - Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。
本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-14T20:11:05Z) - AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。
提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文 参考訳(メタデータ) (2022-09-22T10:23:40Z) - Domain Alignment Meets Fully Test-Time Adaptation [24.546705919244936]
デプロイされたMLモデルの基本的な要件は、トレーニングとは異なるテストディストリビューションから引き出されたデータに一般化することである。
本稿では,元のソースデータへのアクセスを制限した,この問題の難易度に焦点をあてる。
ソースデータ全体にアクセスする必要性を緩和し,UDAとFTTAを橋渡しする新しいアプローチCATTAnを提案する。
論文 参考訳(メタデータ) (2022-07-09T03:17:19Z) - 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) - Exploiting the Intrinsic Neighborhood Structure for Source-free Domain
Adaptation [47.907168218249694]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
対象データの局所親和性を定義し, 局所親和性の高いデータ間のラベルの整合性を促進することによって, この固有構造を捉える。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳(メタデータ) (2021-10-08T15:40:18Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳(メタデータ) (2020-12-14T07:28:50Z)
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。