論文の概要: Coupling Adversarial Learning with Selective Voting Strategy for Distribution Alignment in Partial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2207.08145v1
• Date: Sun, 17 Jul 2022 11:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 07:31:17.132724
• Title: Coupling Adversarial Learning with Selective Voting Strategy for Distribution Alignment in Partial Domain Adaptation
• Title（参考訳）: 部分領域適応における分散アライメントのための選択投票戦略と逆学習の結合
• Authors: Sandipan Choudhuri, Hemanth Venkateswara, Arunabha Sen
• Abstract要約: 部分的なドメイン適応設定は、同一のラベルセットの仮定を緩和することで現実的なシナリオに適合する。 そこで我々は,クラスネイティブの重み推定に不可欠な高信頼度ターゲット標本の戦略的選択機構を考案した。
• 参考スコア（独自算出の注目度）: 6.5991141403378215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In contrast to a standard closed-set domain adaptation task, partial domain adaptation setup caters to a realistic scenario by relaxing the identical label set assumption. The fact of source label set subsuming the target label set, however, introduces few additional obstacles as training on private source category samples thwart relevant knowledge transfer and mislead the classification process. To mitigate these issues, we devise a mechanism for strategic selection of highly-confident target samples essential for the estimation of class-importance weights. Furthermore, we capture class-discriminative and domain-invariant features by coupling the process of achieving compact and distinct class distributions with an adversarial objective. Experimental findings over numerous cross-domain classification tasks demonstrate the potential of the proposed technique to deliver superior and comparable accuracy over existing methods.
• Abstract（参考訳）: 標準的な閉集合ドメイン適応タスクとは対照的に、部分領域適応設定は同じラベルセットの仮定を緩和することで現実的なシナリオに適合する。 しかし、ソースラベルセットがターゲットラベルセットを仮定しているという事実は、関連する知識伝達を阻止し、分類プロセスを誤解させるプライベートソースカテゴリサンプルのトレーニングとして、いくつかの追加の障害をもたらす。 これらの問題を緩和するため,クラス重要重量推定に不可欠な高信頼目標試料の戦略的選択機構を考案した。 さらに,コンパクトかつ異なるクラス分布を達成するプロセスと逆の目的を結合することにより,クラス識別的およびドメイン不変な特徴を捉える。 多くのクロスドメイン分類タスクにおける実験結果から,提案手法が既存の手法と同等の精度を発揮する可能性が示唆された。

関連論文リスト

• Adversarial Semi-Supervised Domain Adaptation for Semantic Segmentation: A New Role for Labeled Target Samples [7.199108088621308]
  我々は、ラベル付き対象データがソースサンプルまたは実際のターゲットサンプルとして振る舞う場合に、新たなトレーニング目標損失を設計する。 提案手法を支援するために,ソースデータとラベル付きターゲットデータを混合し,同じ適応プロセスを適用する補完手法を検討する。 本稿では,GTA5,SynTHIA,Cityscapesのベンチマーク実験を通じて得られた知見を紹介する。
  論文  参考訳（メタデータ） (2023-12-12T15:40:22Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Conditional Support Alignment for Domain Adaptation with Label Shift [8.819673391477034]
  アンラベルド・ドメイン適応(アンラベルド・ドメイン・アダプティブ、Unlabelled Domain adapt、UDA)とは、学習モデルを、ソース・ドメインのラベル付きサンプルと対象ドメインの教師なしサンプルに基づいて訓練するドメイン適応フレームワークである。 本稿では,対象領域の特徴表現分布に対する条件対称的サポートのばらつきを最小限に抑えることを目的とした,新しい条件逆サポートアライメント(CASA)を提案する。
  論文  参考訳（メタデータ） (2023-05-29T05:20:18Z)
• Domain-Invariant Feature Alignment Using Variational Inference For Partial Domain Adaptation [6.04077629908308]
  提案手法は既存の手法と同等の精度で優れている。 多くのクロスドメイン分類タスクにおける実験結果から,提案手法は既存手法に優れた精度と同等の精度をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-03T10:39:14Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• 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)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
  両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。 識別構造保存損失と連立対向生成損失を統合している。 提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
  論文  参考訳（メタデータ） (2020-04-20T15:58:11Z)
• A Sample Selection Approach for Universal Domain Adaptation [94.80212602202518]
  普遍シナリオにおける教師なし領域適応の問題について検討する。 ソースドメインとターゲットドメインの間で共有されるクラスは、一部のみである。 共有クラスのサンプルの同定に有効なスコアリング方式を提案する。
  論文  参考訳（メタデータ） (2020-01-14T22:28:43Z)

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。