論文の概要: Optimal transport meets noisy label robust loss and MixUp regularization for domain adaptation

• arxiv url: http://arxiv.org/abs/2206.11180v1
• Date: Wed, 22 Jun 2022 15:40:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 17:56:06.592176
• Title: Optimal transport meets noisy label robust loss and MixUp regularization for domain adaptation
• Title（参考訳）: 領域適応のためのノイズラベルロバスト損失とミックスアップ正規化を考慮した最適トランスポート
• Authors: Kilian Fatras, Hiroki Naganuma, Ioannis Mitliagkas
• Abstract要約: ソーストレーニングセットでトレーニングされたディープニューラルネットワークは、トレーニングドメインに属さないターゲットイメージに対して不十分に動作します。 これらの性能を改善するための1つの戦略は、最適なトランスポート(OT)を使用して、埋め込み空間におけるソースとターゲットの画像分布を調整することである。 我々は、MixUp正規化のcitepzhang 2018mixupを、ドメイン適応性能を改善するために、ノイズの多いラベルに対して堅牢な損失と組み合わせることを提案する。
• 参考スコア（独自算出の注目度）: 13.080485957000462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is common in computer vision to be confronted with domain shift: images which have the same class but different acquisition conditions. In domain adaptation (DA), one wants to classify unlabeled target images using source labeled images. Unfortunately, deep neural networks trained on a source training set perform poorly on target images which do not belong to the training domain. One strategy to improve these performances is to align the source and target image distributions in an embedded space using optimal transport (OT). However OT can cause negative transfer, i.e. aligning samples with different labels, which leads to overfitting especially in the presence of label shift between domains. In this work, we mitigate negative alignment by explaining it as a noisy label assignment to target images. We then mitigate its effect by appropriate regularization. We propose to couple the MixUp regularization \citep{zhang2018mixup} with a loss that is robust to noisy labels in order to improve domain adaptation performance. We show in an extensive ablation study that a combination of the two techniques is critical to achieve improved performance. Finally, we evaluate our method, called \textsc{mixunbot}, on several benchmarks and real-world DA problems.
• Abstract（参考訳）: コンピュータビジョンでは、同じクラスだが異なる取得条件のイメージというドメインシフトに直面することが一般的である。 ドメイン適応(da)では、ソースラベル付き画像を使用してラベルなしのターゲット画像を分類したい。 残念なことに、ソーストレーニングセットでトレーニングされたディープニューラルネットワークは、トレーニングドメインに属さないターゲットイメージでパフォーマンスが悪い。 これらの性能を改善する1つの戦略は、最適なトランスポート(ot)を使用して、埋め込み空間内のソースとターゲットのイメージ分布を調整することである。 しかしながら、otは、サンプルを異なるラベルにアライメントすることで、特にドメイン間のラベルシフトが存在する場合に過剰に適合する、負の転送を引き起こす可能性がある。 本研究では,ターゲット画像に対するノイズラベルの割り当てとして,負のアライメントを緩和する。 そして、適切な正規化によってその効果を緩和します。 ドメイン適応性能を改善するために,ノイズラベルにロバストな損失を持つミックスアップ正規化 \citep{zhang2018mixup} を組み合わせることを提案する。 そこで本研究では,この2つの手法の組み合わせが性能向上に不可欠であることを示す。 最後に,いくつかのベンチマークと実世界のDA問題に基づいて,この手法の評価を行った。

関連論文リスト

• Local-Global Pseudo-label Correction for Source-free Domain Adaptive Medical Image Segmentation [5.466962214217334]
  ドメインシフトは、医療画像ソリューションで一般的に発生する問題である。 患者のプライバシと画像品質の潜在的な劣化に関する懸念は、ソースフリーなドメイン適応に焦点を合わせている。 本研究では, ソースレス領域適応型医用画像分割のためのローカル・グローバル・擬似ラベル補正法(LGDA)を提案する。
  論文  参考訳（メタデータ） (2023-08-28T05:29:59Z)
• I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic Segmentation [55.633859439375044]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。 この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。 本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-01-03T15:19:48Z)
• Semi-supervised domain adaptation with CycleGAN guided by a downstream task loss [4.941630596191806]
  ドメイン適応は、ラベル付けが高価でエラーを起こしやすいタスクであるため、非常に興味深い。 画像から画像へのアプローチは、入力のシフトを軽減するために使用することができる。 本稿では、画像から画像へのドメイン適応アプローチにおいて、GANの「タスク認識」バージョンを提案する。
  論文  参考訳（メタデータ） (2022-08-18T13:13:30Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Global and Local Alignment Networks for Unpaired Image-to-Image Translation [170.08142745705575]
  未ペア画像から画像への変換の目的は、対象領域のスタイルを反映した出力画像を作成することである。 既存の手法では内容変化に注意が払われていないため、ソース画像からの意味情報は翻訳中の劣化に悩まされる。 我々はGLA-Net(Global and Local Alignment Networks)という新しいアプローチを導入する。 本手法は既存の手法よりもシャープでリアルな画像を効果的に生成する。
  論文  参考訳（メタデータ） (2021-11-19T18:01:54Z)
• DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation [97.74059510314554]
  セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。 既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。 本稿では,新しいDual Soft-Paste (DSP)法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T16:22:40Z)
• Semantic Distribution-aware Contrastive Adaptation for Semantic Segmentation [50.621269117524925]
  ドメイン適応セマンティックセグメンテーション(ドメイン適応セマンティックセグメンテーション)とは、特定のソースドメインのアノテーションだけで特定のターゲットドメイン上で予測を行うことを指す。 画素ワイド表示アライメントを可能にする意味分布対応コントラスト適応アルゴリズムを提案する。 複数のベンチマークでSDCAを評価し、既存のアルゴリズムを大幅に改善します。
  論文  参考訳（メタデータ） (2021-05-11T13:21:25Z)
• 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)

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。