論文の概要: Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives
- arxiv url: http://arxiv.org/abs/2208.07422v1
- Date: Mon, 15 Aug 2022 20:05:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:00:28.805905
- Title: Deep Unsupervised Domain Adaptation: A Review of Recent Advances and
Perspectives
- Title（参考訳）: 深層非教師付きドメイン適応 : 最近の進歩と展望
- Authors: Xiaofeng Liu, Chaehwa Yoo, Fangxu Xing, Hyejin Oh, Georges El Fakhri,
Je-Won Kang, Jonghye Woo
- Abstract要約: 対象領域のデータの性能低下に対応するために、教師なし領域適応(UDA)を提案する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
- 参考スコア（独自算出の注目度）: 16.68091981866261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has become the method of choice to tackle real-world problems
in different domains, partly because of its ability to learn from data and
achieve impressive performance on a wide range of applications. However, its
success usually relies on two assumptions: (i) vast troves of labeled datasets
are required for accurate model fitting, and (ii) training and testing data are
independent and identically distributed. Its performance on unseen target
domains, thus, is not guaranteed, especially when encountering
out-of-distribution data at the adaptation stage. The performance drop on data
in a target domain is a critical problem in deploying deep neural networks that
are successfully trained on data in a source domain. Unsupervised domain
adaptation (UDA) is proposed to counter this, by leveraging both labeled source
domain data and unlabeled target domain data to carry out various tasks in the
target domain. UDA has yielded promising results on natural image processing,
video analysis, natural language processing, time-series data analysis, medical
image analysis, etc. In this review, as a rapidly evolving topic, we provide a
systematic comparison of its methods and applications. In addition, the
connection of UDA with its closely related tasks, e.g., domain generalization
and out-of-distribution detection, has also been discussed. Furthermore,
deficiencies in current methods and possible promising directions are
highlighted.
- Abstract（参考訳）: ディープラーニングは、データから学び、幅広いアプリケーションで印象的なパフォーマンスを達成する能力があるため、さまざまなドメインで現実世界の問題に取り組むための選択方法になっています。
しかし、その成功は通常2つの仮定に依存している。
(i)正確なモデルフィッティングには大量のラベル付きデータセットが必要である。
(ii) トレーニング・テストデータは独立して分散している。
したがって、特に適応段階において分配外データに遭遇する場合において、対象領域に対する性能は保証されない。
ターゲットドメイン内のデータのパフォーマンス低下は、ソースドメインのデータでうまくトレーニングされたディープニューラルネットワークのデプロイにおいて重要な問題である。
非教師付きドメイン適応(UDA)は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータの両方を活用して、ターゲットドメイン内の様々なタスクを実行することでこれに対応する。
UDAは、自然言語処理、ビデオ解析、自然言語処理、時系列データ分析、医用画像解析など、有望な成果を上げている。
本稿では,急速に発展するトピックとして,その手法と応用を体系的に比較する。
さらに,UDAとドメイン一般化やアウト・オブ・ディストリビューション検出といった,関連するタスクとの関係についても論じている。
さらに、現在の方法の欠陥や有望な方向性を強調する。
関連論文リスト
- Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。
本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。
本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-13T16:40:48Z) - AVATAR: Adversarial self-superVised domain Adaptation network for TARget
domain [11.764601181046496]
本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。
本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。
提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-04-28T20:31:56Z) - 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) - Instance Relation Graph Guided Source-Free Domain Adaptive Object
Detection [79.89082006155135]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。
UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。
Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
論文 参考訳（メタデータ） (2022-03-29T17:50:43Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。
そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
論文 参考訳（メタデータ） (2021-03-30T14:14:29Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Domain Adaptation with Incomplete Target Domains [61.68950959231601]
本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。
提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。
我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-03T00:07:40Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z)
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。