論文の概要: Cycle Label-Consistent Networks for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2205.13957v1
• Date: Fri, 27 May 2022 13:09:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-30 21:34:40.903295
• Title: Cycle Label-Consistent Networks for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のためのサイクルラベル整合ネットワーク
• Authors: Mei Wang, Weihong Deng
• Abstract要約: ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 57.29464116557734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation aims to leverage a labeled source domain to learn a classifier for the unlabeled target domain with a different distribution. Previous methods mostly match the distribution between two domains by global or class alignment. However, global alignment methods cannot achieve a fine-grained class-to-class overlap; class alignment methods supervised by pseudo-labels cannot guarantee their reliability. In this paper, we propose a simple yet efficient domain adaptation method, i.e. Cycle Label-Consistent Network (CLCN), by exploiting the cycle consistency of classification label, which applies dual cross-domain nearest centroid classification procedures to generate a reliable self-supervised signal for the discrimination in the target domain. The cycle label-consistent loss reinforces the consistency between ground-truth labels and pseudo-labels of source samples leading to statistically similar latent representations between source and target domains. This new loss can easily be added to any existing classification network with almost no computational overhead. We demonstrate the effectiveness of our approach on MNIST-USPS-SVHN, Office-31, Office-Home and Image CLEF-DA benchmarks. Results validate that the proposed method can alleviate the negative influence of falsely-labeled samples and learn more discriminative features, leading to the absolute improvement over source-only model by 9.4% on Office-31 and 6.3% on Image CLEF-DA.
• Abstract（参考訳）: ドメイン適応は、異なる分布を持つラベルなしターゲットドメインの分類子を学ぶためにラベル付きソースドメインを活用することを目的としている。 以前のメソッドは、大域的あるいはクラス的アライメントによって、2つのドメイン間の分布にほとんどマッチする。 しかしながら、グローバルアライメントメソッドはきめ細かいクラス間重なりを達成できず、疑似ラベルによって管理されるクラスアライメントメソッドは信頼性を保証できない。 本稿では,2つのクロスドメイン近距離セントロイド分類手法を適用して,対象領域における識別のための信頼性の高い自己教師信号を生成する,分類ラベルのサイクル一貫性を利用する,シンプルで効率的なドメイン適応手法(CLCN)を提案する。 サイクルラベル一貫性損失は、ソースドメインとターゲットドメイン間の統計的に類似した潜伏表現につながるソースサンプルの地下構造ラベルと擬似ラベルとの整合性を強化する。 この新たな損失は、計算オーバーヘッドのほとんどない既存の分類ネットワークに簡単に追加できる。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。 提案手法は, 誤りラベル付きサンプルの負の影響を緩和し, より識別的な特徴を学習し, Office-31では9.4%, Image CLEF-DAでは6.3%, ソースのみのモデルでは絶対的に改善できることを確認した。

関連論文リスト

• centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation [17.97306640457707]
  IDA(centroIDA)の累積クラスセントロイドに基づくドメイン間差分最小化手法を提案する。 実験により,IDA問題,特にラベルシフトの程度が増大する中で,本手法が他のSOTA法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-21T10:35:32Z)
• 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)
• Unsupervised domain adaptation via double classifiers based on high confidence pseudo label [8.132250810529873]
  Unsupervised Domain Adapt (UDA)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ナレッジ転送という問題を解決することを目的とする。 多くのドメイン適応(DA)メソッドは、Centroidを使って異なるドメインの局所分布を整列させ、異なるクラスを整列させる。 この研究は、異なるドメイン間のアライメントを再考し、異なるドメイン間の真のアライメントを達成する方法を研究する。
  論文  参考訳（メタデータ） (2021-05-11T00:51:31Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)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に知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Domain Adaptation with Auxiliary Target Domain-Oriented Classifier [115.39091109079622]
  ドメイン適応は、知識をラベルリッチだが異質なドメインからラベルケアドメインに転送することを目的としている。 最も一般的なSSLテクニックの1つは、ラベルのない各データに擬似ラベルを割り当てる擬似ラベル付けである。 我々はAuxiliary Target Domain-Oriented (ATDOC) と呼ばれる新しい擬似ラベリングフレームワークを提案する。 ATDOCは、ターゲットデータのみのための補助分類器を導入してバイアスを軽減し、擬似ラベルの品質を向上させる。
  論文  参考訳（メタデータ） (2020-07-08T15:01:35Z)

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。