Fugu-MT 論文翻訳(概要): MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation

論文の概要: MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation

arxiv url: http://arxiv.org/abs/2207.12389v2
Date: Thu, 12 Oct 2023 02:01:50 GMT
ステータス: 処理完了
システム内更新日: 2023-10-14 15:53:43.701334
Title: MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised Domain Adaptation
Title（参考訳）: MemSAC: 大規模非教師なしドメイン適応のためのメモリ拡張サンプル一貫性
Authors: Tarun Kalluri, Astuti Sharma, Manmohan Chandraker
Abstract要約: 本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
参考スコア（独自算出の注目度）: 71.4942277262067
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Practical real world datasets with plentiful categories introduce new challenges for unsupervised domain adaptation like small inter-class discriminability, that existing approaches relying on domain invariance alone cannot handle sufficiently well. In this work we propose MemSAC, which exploits sample level similarity across source and target domains to achieve discriminative transfer, along with architectures that scale to a large number of categories. For this purpose, we first introduce a memory augmented approach to efficiently extract pairwise similarity relations between labeled source and unlabeled target domain instances, suited to handle an arbitrary number of classes. Next, we propose and theoretically justify a novel variant of the contrastive loss to promote local consistency among within-class cross domain samples while enforcing separation between classes, thus preserving discriminative transfer from source to target. We validate the advantages of MemSAC with significant improvements over previous state-of-the-art on multiple challenging transfer tasks designed for large-scale adaptation, such as DomainNet with 345 classes and fine-grained adaptation on Caltech-UCSD birds dataset with 200 classes. We also provide in-depth analysis and insights into the effectiveness of MemSAC.
Abstract（参考訳）: 多くのカテゴリを持つ現実的な実世界のデータセットは、小さなクラス間の識別可能性のような教師なしのドメイン適応のための新しい課題を導入します。本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACと,多数のカテゴリにスケールするアーキテクチャを提案する。そこで我々はまず,ラベル付きソースとラベルなしターゲットドメインインスタンスの相互類似関係を効率的に抽出し,任意の数のクラスを扱うのに適したメモリ拡張手法を提案する。次に、クラス間の分離を強制しながらクラス内クロスドメインサンプル間の局所的一貫性を促進するために、コントラスト損失の新しい変種を提案し、理論的に正当化する。 345クラスを持つDomainNetや200クラスを持つCaltech-UCSD鳥のデータセットへの微粒化適応など、大規模適応のために設計された複数の挑戦的トランスファータスクに対して、MemSACの利点を実証した。また,MemSACの有効性に関する詳細な分析と知見も提供する。

関連論文リスト

From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
ドメイン適応は、分布シフト中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知識獲得と普及を目標とする。近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
論文参考訳（メタデータ） (2022-03-14T07:02:45Z)
Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
UDAは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効率的な知識伝達を試みている。本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文参考訳（メタデータ） (2021-05-05T11:55:53Z)
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)
Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文参考訳（メタデータ） (2020-08-27T00:53:43Z)
Class Conditional Alignment for Partial Domain Adaptation [10.506584969668792]
アドリア適応モデルは、ラベル付きソースデータセットからラベルなしターゲットデータセットへの知識の転送に向けて大きな進歩を見せている。 PDAは、ソースドメインが広く多様なシナリオを調査し、ターゲットラベル空間はソースラベル空間のサブセットである。 PDAのためのマルチクラス対向アーキテクチャを提案する。
論文参考訳（メタデータ） (2020-03-14T23:51:57Z)
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。