論文の概要: Prototype-Guided Continual Adaptation for Class-Incremental Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2207.10856v1
• Date: Fri, 22 Jul 2022 03:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-25 13:04:08.774240
• Title: Prototype-Guided Continual Adaptation for Class-Incremental Unsupervised Domain Adaptation
• Title（参考訳）: クラスインクリメンタルな教師なしドメイン適応のためのプロトタイプ誘導連続適応
• Authors: Hongbin Lin, Yifan Zhang, Zhen Qiu, Shuaicheng Niu, Chuang Gan, Yanxia Liu, Mingkui Tan
• Abstract要約: 本稿では,CI-UDA(Class-Incremental Unsupervised Domain Adaptation)と呼ばれる新しい,実用的かつ困難な問題について検討する。 ラベル付けされたソースドメインにはすべてのクラスが含まれているが、ラベル付けされていないターゲットドメインのクラスは順次増加する。 本稿では,2つのソリューション戦略からなるPrototype-Guided Continual Adaptation (ProCA)法を提案する。
• 参考スコア（独自算出の注目度）: 76.01237757257864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies a new, practical but challenging problem, called Class-Incremental Unsupervised Domain Adaptation (CI-UDA), where the labeled source domain contains all classes, but the classes in the unlabeled target domain increase sequentially. This problem is challenging due to two difficulties. First, source and target label sets are inconsistent at each time step, which makes it difficult to conduct accurate domain alignment. Second, previous target classes are unavailable in the current step, resulting in the forgetting of previous knowledge. To address this problem, we propose a novel Prototype-guided Continual Adaptation (ProCA) method, consisting of two solution strategies. 1) Label prototype identification: we identify target label prototypes by detecting shared classes with cumulative prediction probabilities of target samples. 2) Prototype-based alignment and replay: based on the identified label prototypes, we align both domains and enforce the model to retain previous knowledge. With these two strategies, ProCA is able to adapt the source model to a class-incremental unlabeled target domain effectively. Extensive experiments demonstrate the effectiveness and superiority of ProCA in resolving CI-UDA. The source code is available at https://github.com/Hongbin98/ProCA.git
• Abstract（参考訳）: 本稿では、ラベル付きソースドメインにすべてのクラスが含まれているが、ラベルなしターゲットドメイン内のクラスが順次増加する、CI-UDA(Class-Incremental Unsupervised Domain Adaptation)と呼ばれる新しい、実用的で困難な問題について研究する。 この問題は2つの困難から難しい。 まず、ソースとターゲットのラベルセットは各タイムステップで一貫性がなく、正確なドメインアライメントの実行が困難になる。 第二に、以前のターゲットクラスは現在のステップでは利用できないため、以前の知識を忘れることになる。 そこで本研究では,2つのソリューション戦略からなるPrototype-Guided Continual Adaptation (ProCA)法を提案する。 1) ラベルプロトタイプ識別: ターゲットサンプルの累積予測確率で共有クラスを検出することで,ターゲットラベルプロトタイプを識別する。 2) プロトタイプに基づくアライメントとリプレイ: 識別されたラベルのプロトタイプに基づいて、両方のドメインをアライメントし、モデルに事前の知識を保持するよう強制する。 これら2つの戦略により、ProCAは、ソースモデルをクラスインクリメンタルな未ラベルのターゲットドメインに効果的に適応させることができる。 広範囲な実験は、CI-UDAの解決におけるProCAの有効性と優位性を示している。 ソースコードはhttps://github.com/Hongbin98/ProCA.gitで入手できる。

関連論文リスト

• Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
  両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。 提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
  論文  参考訳（メタデータ） (2022-10-04T15:20:01Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Prototypical Contrast Adaptation for Domain Adaptive Semantic Segmentation [52.63046674453461]
  プロトタイプ・コントラスト適応(Prototypeal Contrast Adaptation, ProCA)は、教師なしドメイン適応セマンティックセマンティックセグメンテーションのための対照的な学習法である。 ProCAはクラス間の情報をクラスワイドプロトタイプに組み込み、適応のためにクラス中心の分散アライメントを採用する。
  論文  参考訳（メタデータ） (2022-07-14T04:54:26Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation [22.852237073492894]
  Unsupervised Domain Adaptation (UDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに学習された知識を一般化することを目的としている。 本稿では,ソースサンプルとターゲットサンプルが生成する勾配の差を明示的に最小化する,クロスドメイン離散化(CGDM)手法を提案する。 対象サンプルの勾配信号を計算するために,クラスタリングに基づく自己教師型学習を通じて,対象の擬似ラベルを求める。
  論文  参考訳（メタデータ） (2021-06-08T07:35:40Z)
• 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)
• Hard Class Rectification for Domain Adaptation [36.58361356407803]
  ドメイン適応(DA)は、ラベルリッチドメイン(ソースドメイン)からラベルケアドメイン(ターゲットドメイン)に知識を移すことを目的としている。 本稿では,HCRPL(Hard Class Rectification Pseudo-labeling)と呼ばれる新しいフレームワークを提案する。 提案手法は,非教師付きドメイン適応(UDA)と半教師付きドメイン適応(SSDA)の両方において評価される。
  論文  参考訳（メタデータ） (2020-08-08T06:21:58Z)

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。