論文の概要: Cross-Domain Few-Shot Classification via Inter-Source Stylization
- arxiv url: http://arxiv.org/abs/2208.08015v1
- Date: Wed, 17 Aug 2022 01:44:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 12:50:59.257025
- Title: Cross-Domain Few-Shot Classification via Inter-Source Stylization
- Title(参考訳): ソース間スチル化によるクロスドメインFew-Shot分類
- Authors: Huali Xu, Li Liu
- Abstract要約: Cross-Domain Few Shot Classification (CDFSC) は、限られた教師付き情報でターゲットタスクを解決する。
MDA(Multisource Domain Adaptation)にインスパイアされた最近の研究は、パフォーマンスを改善するために複数のドメインを導入している。
本稿では,MCDFSC (Multisource CDFSC set) について述べる。
本稿では,CNNの帰納バイアスを考慮し,新たなMCDFSC設定のためのソース間スタイリングネットワーク(ISSNet)を提案する。
- 参考スコア(独自算出の注目度): 7.773772558834361
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-Domain Few Shot Classification (CDFSC) leverages prior knowledge
learned from a supervised auxiliary dataset to solve a target task with limited
supervised information available, where the auxiliary and target datasets come
from the different domains. It is challenging due to the domain shift between
these datasets. Inspired by Multisource Domain Adaptation (MDA), the recent
works introduce the multiple domains to improve the performance. However, they,
on the one hand, evaluate only on the benchmark with natural images, and on the
other hand, they need many annotations even in the source domains can be
costly. To address the above mentioned issues, this paper explore a new
Multisource CDFSC setting (MCDFSC) where only one source domain is fully
labeled while the rest source domains remain unlabeled. These sources are from
different fileds, means they are not only natural images. Considering the
inductive bias of CNNs, this paper proposed Inter-Source stylization network
(ISSNet) for this new MCDFSC setting. It transfers the styles of unlabeled
sources to labeled source, which expands the distribution of labeled source and
further improves the model generalization ability. Experiments on 8 target
datasets demonstrate ISSNet effectively suppresses the performance degradation
caused by different domains.
- Abstract(参考訳): Cross-Domain Few Shot Classification (CDFSC)は、教師付き補助データセットから学んだ事前知識を活用して、教師付き情報が限られているターゲットタスクを解決する。
これらのデータセット間のドメインシフトのため、これは難しい。
MDA(Multisource Domain Adaptation)に触発された最近の研究は、パフォーマンスを改善するために複数のドメインを導入している。
しかし、一方、彼らは、自然なイメージでベンチマークでのみ評価し、他方で、ソースドメインでも多くのアノテーションが必要であることは、コストがかかる可能性がある。
上記の問題に対処するため,本論文では,1つのソースドメインのみがラベル付けされ,残りのソースドメインはラベル付けされていないという,新しいMultisource CDFSC設定(MCDFSC)について検討する。
これらの情報源は異なる出願物から来ているため、自然画像だけではない。
本稿では,cnnのインダクティブバイアスを考慮した新しいmcdfsc設定のためのソース間スタイライゼーションネットワーク (issnet) を提案する。
ラベル付きソースのスタイルをラベル付きソースに転送し、ラベル付きソースの配布を拡大し、モデル一般化能力をさらに向上する。
8つのターゲットデータセットの実験では、ISSNetは異なるドメインによるパフォーマンス劣化を効果的に抑制している。
関連論文リスト
- A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain
Text Classification [63.338588280577106]
クロスドメインテキスト分類は、ラベル付きデータを持たないターゲットドメインにモデルを適応させることを目的としている。
クロスドメインテキスト分類のための2段階フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-18T06:21:40Z) - 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) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳(メタデータ) (2020-08-27T01:29:10Z) - 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) - Clarinet: A One-step Approach Towards Budget-friendly Unsupervised
Domain Adaptation [39.53192710720228]
教師なしドメイン適応(UDA)では、対象ドメインの分類器は、ソースドメインからの膨大な真ラベルデータと対象ドメインからの未ラベルデータで訓練される。
本稿では、対象ドメインの分類器を、ソースドメインからの補完ラベルデータと、対象ドメインからの未ラベルデータと、予算に優しいUDAとで訓練しなければならない、新たな問題設定について考察する。
The complementary label adversarial network (CLARINET) is proposed to solve the BFUDA problem。
論文 参考訳(メタデータ) (2020-07-29T05:31:58Z) - DACS: Domain Adaptation via Cross-domain Mixed Sampling [4.205692673448206]
教師なしのドメイン適応は、あるドメインからラベル付きデータをトレーニングし、同時に関心のあるドメインでラベルなしのデータから学習しようとする。
DACS: クロスドメイン混合サンプリングによるドメイン適応(Domain Adaptation)を提案する。
我々は,GTA5からCityscapesへの最先端の成果を得ることによって,ソリューションの有効性を実証する。
論文 参考訳(メタデータ) (2020-07-17T00:43:11Z) - 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) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2020-01-12T08:37:42Z)
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。