論文の概要: Delving into the Continuous Domain Adaptation
- arxiv url: http://arxiv.org/abs/2208.13121v1
- Date: Sun, 28 Aug 2022 02:32:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:00:30.838445
- Title: Delving into the Continuous Domain Adaptation
- Title(参考訳): 連続的なドメイン適応にこだわる
- Authors: Yinsong Xu, Zhuqing Jiang, Aidong Men, Yang Liu, Qingchao Chen
- Abstract要約: 既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性とバリエーションによって生じると仮定している。
これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。
継続的ドメイン適応という新しい問題について検討する。
- 参考スコア(独自算出の注目度): 12.906272389564593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing domain adaptation methods assume that domain discrepancies are
caused by a few discrete attributes and variations, e.g., art, real, painting,
quickdraw, etc. We argue that this is not realistic as it is implausible to
define the real-world datasets using a few discrete attributes. Therefore, we
propose to investigate a new problem namely the Continuous Domain Adaptation
(CDA) through the lens where infinite domains are formed by continuously
varying attributes. Leveraging knowledge of two labeled source domains and
several observed unlabeled target domains data, the objective of CDA is to
learn a generalized model for whole data distribution with the continuous
attribute. Besides the contributions of formulating a new problem, we also
propose a novel approach as a strong CDA baseline. To be specific, firstly we
propose a novel alternating training strategy to reduce discrepancies among
multiple domains meanwhile generalize to unseen target domains. Secondly, we
propose a continuity constraint when estimating the cross-domain divergence
measurement. Finally, to decouple the discrepancy from the mini-batch size, we
design a domain-specific queue to maintain the global view of the source domain
that further boosts the adaptation performances. Our method is proven to
achieve the state-of-the-art in CDA problem using extensive experiments. The
code is available at https://github.com/SPIresearch/CDA.
- Abstract(参考訳): 既存のドメイン適応法では、ドメインの相違はいくつかの異なる属性やバリエーション(例えば、アート、リアル、絵画、クイックドリューなど)によって生じると仮定している。
これは現実的なものではなく、いくつかの離散属性を使って現実世界のデータセットを定義することは不可能である、と我々は主張する。
そこで本研究では,無限領域が連続的に変化する属性によって形成されるレンズを通して,連続領域適応(cda)という新たな問題について検討する。
2つのラベル付きソースドメインといくつかの観測対象ドメインデータの知識を活用して、CDAの目的は、連続属性を持つ全データ分布の一般化モデルを学ぶことである。
新しい問題を定式化することの貢献に加えて、強力なcdaベースラインとして新しいアプローチを提案する。
まず,複数のドメイン間の相違を減らし,対象ドメインに一般化する新たな交互学習戦略を提案する。
次に,クロスドメイン分散測定における連続性制約を提案する。
最後に,ミニバッチサイズとの相違を解消するために,適応性能をさらに向上するソースドメインのグローバルビューを維持するために,ドメイン固有のキューを設計する。
提案手法は,CDA問題における最先端の課題を広範囲な実験により実現できることが証明された。
コードはhttps://github.com/SPIresearch/CDAで公開されている。
関連論文リスト
- Domain Adaptation via Rebalanced Sub-domain Alignment [22.68115322836635]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから関連するラベル付きターゲットドメインへ知識を転送する手法である。
過去に多くのUDA手法が成功したが、ソースとターゲットドメインは同一のクラスラベルの分布を持つ必要があると仮定することが多い。
本稿では、ソースとターゲットサブドメインを整列させて、ソース分類誤差を重み付けする新しい一般化法を提案する。
論文 参考訳(メタデータ) (2023-02-03T21:30:40Z) - 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) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-09T20:05:54Z) - Discover, Hallucinate, and Adapt: Open Compound Domain Adaptation for
Semantic Segmentation [91.30558794056056]
意味的セグメンテーションのための教師なしドメイン適応(UDA)が近年注目を集めている。
我々は,発見,幻覚,適応の3つの主要な設計原則に基づく新しいフレームワークを提案する。
我々は、標準ベンチマークGTAからC自動運転へのソリューションの評価を行い、新しい最先端の結果を得た。
論文 参考訳(メタデータ) (2021-10-08T13:20:09Z) - Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。
マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。
提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-04-27T03:33:35Z) - 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) - Discrepancy Minimization in Domain Generalization with Generative
Nearest Neighbors [13.047289562445242]
ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。
シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。
本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
論文 参考訳(メタデータ) (2020-07-28T14:54:25Z) - Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。
既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。
我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-08T14:20:24Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-19T21:22:00Z)
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。