論文の概要: Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain

• arxiv url: http://arxiv.org/abs/2209.01870v2
• Date: Tue, 27 Aug 2024 14:16:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-28 20:28:28.273579
• Title: Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain
• Title（参考訳）: スタイル認識型自己中間ドメインによる教師なしドメイン適応
• Authors: Lianyu Wang, Meng Wang, Daoqiang Zhang, Huazhu Fu,
• Abstract要約: 非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
• 参考スコア（独自算出の注目度）: 52.783709712318405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) has attracted considerable attention, which transfers knowledge from a label-rich source domain to a related but unlabeled target domain. Reducing inter-domain differences has always been a crucial factor to improve performance in UDA, especially for tasks where there is a large gap between source and target domains. To this end, we propose a novel style-aware feature fusion method (SAFF) to bridge the large domain gap and transfer knowledge while alleviating the loss of class-discriminative information. Inspired by the human transitive inference and learning ability, a novel style-aware self-intermediate domain (SSID) is investigated to link two seemingly unrelated concepts through a series of intermediate auxiliary synthesized concepts. Specifically, we propose a novel learning strategy of SSID, which selects samples from both source and target domains as anchors, and then randomly fuses the object and style features of these anchors to generate labeled and style-rich intermediate auxiliary features for knowledge transfer. Moreover, we design an external memory bank to store and update specified labeled features to obtain stable class features and class-wise style features. Based on the proposed memory bank, the intra- and inter-domain loss functions are designed to improve the class recognition ability and feature compatibility, respectively. Meanwhile, we simulate the rich latent feature space of SSID by infinite sampling and the convergence of the loss function by mathematical theory. Finally, we conduct comprehensive experiments on commonly used domain adaptive benchmarks to evaluate the proposed SAFF, and the experimental results show that the proposed SAFF can be easily combined with different backbone networks and obtain better performance as a plug-in-plug-out module.
• Abstract（参考訳）: 非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 ドメイン間の差異を減らすことは、特にソースとターゲットドメインの間に大きなギャップがあるタスクにおいて、UDAのパフォーマンスを改善する上で、常に重要な要素である。 そこで本研究では,クラス識別情報の喪失を軽減しつつ,大きなドメインギャップと伝達知識を橋渡しする,SAFF(style-aware feature fusion)手法を提案する。 ヒトの推移的推論と学習能力にインスパイアされた新しいスタイル認識型自己中間ドメイン (SSID) は、中間的に合成された一連の概念を通して、2つの一見無関係な概念を関連付けるために研究される。 具体的には、ソースドメインとターゲットドメインの両方からサンプルをアンカーとして選択し、アンカーのオブジェクトとスタイルの特徴をランダムに融合させ、ラベル付きおよびスタイルリッチな中間特徴を生成するSSIDの新しい学習戦略を提案する。 さらに,クラスの安定な特徴とクラスワイドな特徴を得るために,指定されたラベル付き特徴を記憶・更新するための外部メモリバンクを設計する。 提案したメモリバンクに基づいて,ドメイン内損失関数とドメイン間損失関数は,それぞれ,クラス認識能力と機能互換性を改善するように設計されている。 一方、SSIDのリッチ潜在特徴空間を無限サンプリングと数学的理論による損失関数の収束によりシミュレートする。 最後に,提案したSAFFを複数のバックボーンネットワークと容易に組み合わせて,プラグイン・プラグアウト・モジュールとしての性能を向上できることを示す。

関連論文リスト

• Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
  本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。 我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。 本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:04:47Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Privacy-preserving Federated Adversarial Domain Adaption over Feature Groups for Interpretability [12.107058397549771]
  PrADAはプライバシー保護の敵ドメイン適応アプローチである。 ドメインの専門知識を活用して、機能領域を、それぞれが関連する機能を持つ複数のグループに分割します。 各特徴群から意味論的に意味のある高次特徴を学習する。
  論文  参考訳（メタデータ） (2021-11-22T01:13:43Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Interventional Domain Adaptation [81.0692660794765]
  ドメイン適応(DA)は、ソースドメインからターゲットドメインに学習した差別的特徴を転送することを目的としている。 標準的なドメイン不変学習は、素早い相関に悩まされ、ソース固有性を誤って転送する。 ドメイン固有部分とドメイン共有部分とを区別する反ファクト機能を作成します。
  論文  参考訳（メタデータ） (2020-11-07T09:53:13Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていない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。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)

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。