論文の概要: Domain Gap Estimation for Source Free Unsupervised Domain Adaptation with Many Classifiers

• arxiv url: http://arxiv.org/abs/2207.05785v1
• Date: Tue, 12 Jul 2022 18:33:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 15:10:58.453971
• Title: Domain Gap Estimation for Source Free Unsupervised Domain Adaptation with Many Classifiers
• Title（参考訳）: 多くの分類器を用いた非教師なし領域適応のための領域ギャップ推定
• Authors: Ziyang Zong, Jun He, Lei Zhang, Hai Huan
• Abstract要約: 理論上、教師なし領域適応の成功はドメインギャップの推定に大きく依存する。 ソースフリーのUDAでは、ソースドメインデータは適応中にアクセスできないため、ドメインギャップを計測する大きな課題があります。 我々は、多くの分類器を用いて、ドメインギャップのより厳密な上限を提供するソースドメイン決定境界を学習することを提案する。 提案手法は, ソースフリーなUDA手法の最先端性を実現し, ソースフリーなUDA手法と競合する可能性さえある。
• 参考スコア（独自算出の注目度）: 7.614680416922215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In theory, the success of unsupervised domain adaptation (UDA) largely relies on domain gap estimation. However, for source free UDA, the source domain data can not be accessed during adaptation, which poses great challenge of measuring the domain gap. In this paper, we propose to use many classifiers to learn the source domain decision boundaries, which provides a tighter upper bound of the domain gap, even if both of the domain data can not be simultaneously accessed. The source model is trained to push away each pair of classifiers whilst ensuring the correctness of the decision boundaries. In this sense, our many classifiers model separates the source different categories as far as possible which induces the maximum disagreement of many classifiers in the target domain, thus the transferable source domain knowledge is maximized. For adaptation, the source model is adapted to maximize the agreement among pairs of the classifiers. Thus the target features are pushed away from the decision boundaries. Experiments on several datasets of UDA show that our approach achieves state of the art performance among source free UDA approaches and can even compete to source available UDA methods.
• Abstract（参考訳）: 理論上、教師なし領域適応(UDA)の成功はドメインギャップの推定に大きく依存している。 しかし、ソースフリーなUDAでは、ソースドメインデータは適応中にアクセスできないため、ドメインギャップを計測するという大きな課題が生じる。 本稿では,2つのドメインデータに同時アクセスできない場合でも,ドメインギャップのより深い上限となるソース領域決定境界を学習するために,多くの分類器を使用することを提案する。 ソースモデルは、決定境界の正確性を確保しながら、それぞれの分類器をプッシュアウトするように訓練される。 この意味で、我々の多くの分類器モデルは、対象領域における多くの分類器の最大不一致を誘導する、可能な限りソースの異なるカテゴリを分離し、転送可能なソースドメイン知識を最大化する。 適応のために、ソースモデルは分類器のペア間の合意を最大化するために適応される。 これにより、対象の機能は決定境界から追い出される。 UDAのいくつかのデータセットに対する実験により、我々のアプローチは、ソースフリーなUDAアプローチ間のアートパフォーマンスの状態を達成し、ソースフリーなUDA手法と競合することさえできることを示した。

関連論文リスト

• Noisy Universal Domain Adaptation via Divergence Optimization for Visual Recognition [30.31153237003218]
  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、Noisy UniDAという新しいシナリオが提案されている。 ノイズUniDAで直面するすべての課題に同時に対処するために、マルチヘッド畳み込みニューラルネットワークフレームワークが提案されている。
  論文  参考訳（メタデータ） (2023-04-20T14:18:38Z)
• Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
  ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。 AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。 その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
  論文  参考訳（メタデータ） (2022-08-03T11:51:11Z)
• 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)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
  我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。 我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。 提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
  論文  参考訳（メタデータ） (2020-11-18T11:58:19Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。