論文の概要: PoliTO-IIT-CINI Submission to the EPIC-KITCHENS-100 Unsupervised Domain
Adaptation Challenge for Action Recognition
- arxiv url: http://arxiv.org/abs/2209.04525v1
- Date: Fri, 9 Sep 2022 21:03:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:07:37.080920
- Title: PoliTO-IIT-CINI Submission to the EPIC-KITCHENS-100 Unsupervised Domain
Adaptation Challenge for Action Recognition
- Title(参考訳): EPIC-KITCHENS-100へのPolito-IIT-CINIのサブミッション
- Authors: Mirco Planamente, Gabriele Goletto, Gabriele Trivigno, Giuseppe
Averta, Barbara Caputo
- Abstract要約: 本報告では,EPIC-Kitchens-100 Unsupervised Domain Adaptation Challenge in Action Recognitionへの提出の技術的詳細について述べる。
我々はRelative Norm Alignment (RNA)と呼ばれる最近のドメイン一般化手法を最初に利用した。
第二に、この手法を非競合対象データに拡張し、教師なしの方法でモデルが対象分布に適応することを可能にした。
- 参考スコア(独自算出の注目度): 16.496889090237232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this report, we describe the technical details of our submission to the
EPIC-Kitchens-100 Unsupervised Domain Adaptation (UDA) Challenge in Action
Recognition. To tackle the domain-shift which exists under the UDA setting, we
first exploited a recent Domain Generalization (DG) technique, called Relative
Norm Alignment (RNA). Secondly, we extended this approach to work on unlabelled
target data, enabling a simpler adaptation of the model to the target
distribution in an unsupervised fashion. To this purpose, we included in our
framework UDA algorithms, such as multi-level adversarial alignment and
attentive entropy. By analyzing the challenge setting, we notice the presence
of a secondary concurrence shift in the data, which is usually called
environmental bias. It is caused by the existence of different environments,
i.e., kitchens. To deal with these two shifts (environmental and temporal), we
extended our system to perform Multi-Source Multi-Target Domain Adaptation.
Finally, we employed distinct models in our final proposal to leverage the
potential of popular video architectures, and we introduced two more losses for
the ensemble adaptation. Our submission (entry 'plnet') is visible on the
leaderboard and ranked in 2nd position for 'verb', and in 3rd position for both
'noun' and 'action'.
- Abstract(参考訳): 本稿では、epic-kitchens-100unsupervised domain adaptation (uda) challenge in action recognitionの技術的詳細について述べる。
UDA設定下で存在するドメインシフトに対処するために、私たちは最近、Relative Norm Alignment (RNA)と呼ばれるドメイン一般化(DG)技術を利用した。
第二に、この手法を非競合対象データに拡張し、教師なしの方法でモデルが対象分布に適応することを可能にした。
この目的のために、我々は、多レベル対向アライメントや注意エントロピーなどのUDAアルゴリズムをフレームワークに組み込んだ。
課題を解析することにより、通常環境バイアスと呼ばれるデータに二次的コンカレンスシフトが存在することに気づく。
それは、異なる環境、すなわちキッチンの存在によって引き起こされる。
これら2つのシフト(環境と時間)に対処するため,マルチソースマルチターゲットドメイン適応を行うようシステムを拡張した。
最後に,人気のあるビデオアーキテクチャの可能性を活用するため,最終提案では異なるモデルを採用し,アンサンブル適応にさらに2つの損失を導入した。
我々の提出(エントリー「plnet」)は、リーダーボードに表示され、第2位は「動詞」、第3位は「名詞」と「アクション」の両方にランク付けされます。
関連論文リスト
- SADA: Semantic adversarial unsupervised domain adaptation for Temporal Action Localization [32.35611853688068]
本稿では,Sparse TAL における Unsupervised Domain Adaptation のアプローチを初めて紹介する。
我々は、現実的なスパース動作検出ベンチマークで動作するドメイン適応モデルの開発を開拓した。
EpicKitchens100とCharadesEgoをベースとした,複数のドメインシフトを評価する新しいベンチマークセットを提案する。
論文 参考訳(メタデータ) (2023-12-20T19:08:49Z) - Domain Adaptive Person Search [20.442648584402917]
本稿では,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のモデルを一般化することを目的とした,DAPS(Domain Adaptive Person Search)を提案する。
我々は,我々のフレームワークがmAPで34.7%,PRWデータセットでトップ1で80.6%を達成したことを示す。
論文 参考訳(メタデータ) (2022-07-25T04:02:39Z) - Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。
特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。
このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
論文 参考訳(メタデータ) (2022-07-18T18:41:36Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - An Unsupervised Domain Adaptive Approach for Multimodal 2D Object
Detection in Adverse Weather Conditions [5.217255784808035]
本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。
天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。
DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
論文 参考訳(メタデータ) (2022-03-07T18:10:40Z) - 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) - PoliTO-IIT Submission to the EPIC-KITCHENS-100 Unsupervised Domain
Adaptation Challenge for Action Recognition [15.545769463854915]
本報告では,EPIC-Kitchens-100 Unsupervised Domain Adaptation (UDA) Challenge in Action Recognitionについて述べる。
我々は、Relative Norm Alignment (RNA)と呼ばれる最近のドメイン一般化(DG)技術を利用した。
第2のフェーズでは、非競合対象データに対するアプローチを拡張し、教師なしの方法で対象分布に適応できるようにした。
私たちの提出(エントリー「plnet」)は、リーダーボードに表示され、"verb"で1位、"noun"と"action"で3位に達した。
論文 参考訳(メタデータ) (2021-07-01T10:02:44Z) - Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数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タスク知識の転送を扱う。
ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文 参考訳(メタデータ) (2021-03-20T12:44:13Z) - Stochastic Adversarial Gradient Embedding for Active Domain Adaptation [4.514832807541817]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータが利用可能なソースドメインと、教師なしデータでのみ表現されるターゲットドメインの間のギャップを埋めることを目的としている。
本稿では、アクティブラーニングを用いて目標データの小さな予算をアノテートすることでこの問題に対処する。
ADAに3つの貢献をするフレームワークであるtextitStochastic Adversarial Gradient Embedding (SAGE)を紹介した。
論文 参考訳(メタデータ) (2020-12-03T11:28:32Z) - 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) - 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。