論文の概要: One Ring to Bring Them All: Towards Open-Set Recognition under Domain Shift

• arxiv url: http://arxiv.org/abs/2206.03600v1
• Date: Tue, 7 Jun 2022 21:39:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 04:28:04.589640
• Title: One Ring to Bring Them All: Towards Open-Set Recognition under Domain Shift
• Title（参考訳）: すべてをもたらす指輪: ドメインシフト下でのオープンセット認識に向けて
• Authors: Shiqi Yang, Yaxing Wang, Kai Wang, Shangling Jui, Joost van de Weijer
• Abstract要約: 我々は、$n$のソースクラスと未知のクラスを予測するために、$n$+1のウェイを学習するための新しいトレーニングスキームを提案する。 対象適応には、単純に重み付きエントロピー最小化を採用し、未ラベル対象領域にソース事前学習モデルを適用する。 提案手法は,複数のベンチマークに適応する際のソースデータを要求する,現在のUNDAアプローチを超越する。
• 参考スコア（独自算出の注目度）: 39.31881646860522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate $\textit{open-set recognition}$ with domain shift, where the final goal is to achieve $\textit{Source-free Universal Domain Adaptation}$ (SF-UNDA), which addresses the situation where there exist both domain and category shifts between source and target domains. Under the SF-UNDA setting, the model cannot access source data anymore during target adaptation, which aims to address data privacy concerns. We propose a novel training scheme to learn a ($n$+1)-way classifier to predict the $n$ source classes and the unknown class, where samples of only known source categories are available for training. Furthermore, for target adaptation, we simply adopt a weighted entropy minimization to adapt the source pretrained model to the unlabeled target domain without source data. In experiments, we show: $\textbf{1)}$ After source training, the resulting source model can get excellent performance for $\textit{open-set single domain generalization}$ and also $\textit{open-set recognition}$ tasks; $\textbf{2)}$ After target adaptation, our method surpasses current UNDA approaches which demand source data during adaptation on several benchmarks. The versatility to several different tasks strongly proves the efficacy and generalization ability of our method. $\textbf{3)}$ When augmented with a closed-set domain adaptation approach during target adaptation, our source-free method further outperforms the current state-of-the-art UNDA method by 2.5%, 7.2% and 13% on Office-31, Office-Home and VisDA respectively. Code will be available in https://github.com/Albert0147/OneRing.
• Abstract（参考訳）: 本稿では、ドメインシフトを伴う$\textit{open-set recognition}$を調査し、最終目標は、ソースドメインとターゲットドメインの両方にドメインシフトが存在する状況に対処する$\textit{Source-free Universal Domain Adaptation}$(SF-UNDA)を達成することである。 sf-unda設定では、このモデルは、データプライバシの懸念に対処するために、ターゲット適応中にソースデータにアクセスできない。 我々は、既知のソースカテゴリのみのサンプルがトレーニングに利用できる、n$ソースクラスと未知クラスを予測するために、(n$+1)-way分類子を学ぶための新しいトレーニングスキームを提案する。 さらに、ターゲット適応には、重み付きエントロピー最小化を採用するだけで、ソースデータのない未ラベル対象領域にソース事前学習モデルを適用することができる。 実験では、$\textbf{1)}$ ソーストレーニングの後、生成されたソースモデルは、$\textit{open-set single domain generalization}$ および $\textit{open-set recognition}$ task; $\textbf{2)}$ ターゲット適応後、複数のベンチマークに適応する際にソースデータを要求する現在のUNDAアプローチよりも優れたパフォーマンスが得られる。 複数の異なるタスクの汎用性は、この手法の有効性と一般化能力を強く証明する。 ソースフリーメソッドは、ターゲット適応中にクローズドセットドメイン適応アプローチで拡張された場合、Office-31、Office-Home、VisDAで、現在の最先端UNDAメソッドよりも2.5%、7.2%、そして13%向上します。 コードはhttps://github.com/albert0147/oneringで入手できる。

関連論文リスト

• 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)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• Generalized Source-free Domain Adaptation [47.907168218249694]
  我々は、G-SFDA(Generalized Source-free Domain Adaptation)と呼ばれる新しいドメイン適応パラダイムを提案する。 目標性能は既存の DA 法や SFDA 法と同等かそれ以上であり、特に VisDA の最先端性能 (85.4%) を達成する。
  論文  参考訳（メタデータ） (2021-08-03T16:34:12Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Casting a BAIT for Offline and Online Source-free Domain Adaptation [51.161476418834766]
  我々は、ソースフリードメイン適応(SFDA)問題に対処し、ターゲットドメインへの適応中にのみソースモデルが利用可能となる。 本稿では,多種多様な分類器に基づくドメイン適応法に着想を得て,第2の分類器を導入する。 ターゲットドメインに適合すると、ソースから追加の分類器が誤って分類された特徴を見つけることが期待される。 本手法は, オープンソースフリードメイン適応設定下において, SFDA法をはるかに上回っている。
  論文  参考訳（メタデータ） (2020-10-23T14:18:42Z)

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。