Fugu-MT 論文翻訳(概要): Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning

論文の概要: Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning

arxiv url: http://arxiv.org/abs/2206.10137v2
Date: Wed, 22 Jun 2022 05:04:13 GMT
ステータス: 処理完了
システム内更新日: 2022-06-23 11:56:22.930128
Title: Few-Max: Few-Shot Domain Adaptation for Unsupervised Contrastive Representation Learning
Title（参考訳）: 教師なしコントラスト表現学習のためのFew-Max:Few-Shot領域適応
Authors: Ali Lotfi Rezaabad, Sidharth Kumar, Sriram Vishwanath, and Jonathan I. Tamir
Abstract要約: 対照的な自己教師付き学習手法は、ラベルを必要とせず、画像などのデータポイントを非パラメトリック表現空間にマッピングすることを学ぶ。本稿では,Few-Maxと呼ばれる自己指導型コントラスト学習のためのドメイン適応手法を提案する。我々は、Few-MaxをImageNet、VisDA、fastMRIなど、様々なソースおよびターゲットデータセットで評価し、Few-Maxは他のアプローチよりも一貫して優れています。
参考スコア（独自算出の注目度）: 7.748713051083396
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Contrastive self-supervised learning methods learn to map data points such as images into non-parametric representation space without requiring labels. While highly successful, current methods require a large amount of data in the training phase. In situations where the target training set is limited in size, generalization is known to be poor. Pretraining on a large source data set and fine-tuning on the target samples is prone to overfitting in the few-shot regime, where only a small number of target samples are available. Motivated by this, we propose a domain adaption method for self-supervised contrastive learning, termed Few-Max, to address the issue of adaptation to a target distribution under few-shot learning. To quantify the representation quality, we evaluate Few-Max on a range of source and target datasets, including ImageNet, VisDA, and fastMRI, on which Few-Max consistently outperforms other approaches.
Abstract（参考訳）: 対照的な自己教師付き学習手法は、ラベルを必要とせず、画像などのデータポイントを非パラメトリック表現空間にマッピングすることを学ぶ。高い成功を収める一方で、現在の方法はトレーニングフェーズで大量のデータを必要とする。ターゲットトレーニングセットのサイズが制限されている場合、一般化は貧弱であることが知られている。大規模なソースデータセットの事前トレーニングとターゲットサンプルの微調整は、少数のターゲットサンプルしか使用できない数ショット方式で過度に適合する傾向にある。そこで本研究では,Few-Maxと呼ばれる自己教師型コントラスト学習のためのドメイン適応手法を提案する。表現の質を定量化するために、Few-MaxはImageNet, VisDA, fastMRIを含む様々なソースおよびターゲットデータセットで評価し、Few-Maxは他のアプローチよりも一貫して優れている。

関連論文リスト

Few-Shot Domain Adaptive Object Detection for Microscopic Images [7.993453987882035]
Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。私たちのコントリビューションには、少数ショットシナリオのためのドメイン適応型クラスバランス戦略、複数レイヤのインスタンスレベル間およびドメイン内アライメント、インスタンスレベルの分類損失が含まれています。
論文参考訳（メタデータ） (2024-07-10T13:11:58Z)
Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文参考訳（メタデータ） (2023-09-25T15:56:01Z)
Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
論文参考訳（メタデータ） (2023-09-03T16:02:01Z)
Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文参考訳（メタデータ） (2023-05-23T02:14:11Z)
Few-shot Learning via Dependency Maximization and Instance Discriminant Analysis [21.8311401851523]
そこで本研究では,カテゴリ毎にラベル付きデータが極めて少ない新しいオブジェクトの認識をモデルが学習する,数ショットの学習問題について検討する。本稿では,少数ショット処理に伴うラベルなしデータを利用して,少数ショット性能を向上させるための簡単な手法を提案する。
論文参考訳（メタデータ） (2021-09-07T02:19:01Z)
Conditional Extreme Value Theory for Open Set Video Domain Adaptation [17.474956295874797]
本稿では,ソースとターゲットデータ間の領域差を軽減するために,オープンセットの映像領域適応手法を提案する。負の伝達問題を緩和するために、サンプルエントロピーからしきい値までの距離によって計算された重みを、対向学習に活用する。提案手法は,小規模と大規模の両方のクロスドメインビデオデータセットに対して徹底的に評価されている。
論文参考訳（メタデータ） (2021-09-01T10:51:50Z)
Standardized Max Logits: A Simple yet Effective Approach for Identifying Unexpected Road Obstacles in Urban-Scene Segmentation [18.666365568765098]
本稿では,各予測クラスにおける最大ロジットの相対的意味を反映し,各分布を整列させるため,最大ロジットを標準化する,単純かつ効果的なアプローチを提案する。提案手法は,一般公開されているFishyscapes Lost & Foundのリーダーボード上での最先端のパフォーマンスを高いマージンで達成する。
論文参考訳（メタデータ） (2021-07-23T14:25:02Z)
Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文参考訳（メタデータ） (2021-04-19T08:46:08Z)
Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
論文参考訳（メタデータ） (2021-03-25T22:34:16Z)
Hyperspherical embedding for novel class classification [1.5952956981784217]
本稿では,正規化ソフトマックス損失下での潜在空間の表現に制約に基づくアプローチを提案する。本研究では,メトリクス学習と正規化ソフトマックス損失の両方を用いて,異なるデータセット上の未知のクラスを分類するための提案手法を実験的に検証した。この結果から,提案した戦略は,ペアワイズ学習を必要とせず,メトリック学習戦略よりも優れた分類結果を提供するため,より大規模なクラスで効率的に学習可能であることが示唆された。
論文参考訳（メタデータ） (2021-02-05T15:42:13Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。