論文の概要: A Reproducible and Realistic Evaluation of Partial Domain Adaptation Methods

• arxiv url: http://arxiv.org/abs/2210.01210v1
• Date: Mon, 3 Oct 2022 20:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 13:03:19.708910
• Title: A Reproducible and Realistic Evaluation of Partial Domain Adaptation Methods
• Title（参考訳）: 部分領域適応法の再現性と現実的な評価
• Authors: Tiago Salvador, Kilian Fatras, Ioannis Mitliagkas, Adam Oberman
• Abstract要約: Unsupervised Domain Adaptation (UDA) は、ラベル付けされていないターゲット画像の分類を目的としている。 本稿では、ターゲットドメインに存在しない余分なソースクラスが存在する部分ドメイン適応(PDA)のバリエーションについて考察する。 7つの異なるモデル選択戦略を用いて、2つの異なる実世界のデータセット上で7つの代表的PDAアルゴリズムを評価する。
• 参考スコア（独自算出の注目度）: 11.63848069914184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised Domain Adaptation (UDA) aims at classifying unlabeled target images leveraging source labeled ones. In this work, we consider the Partial Domain Adaptation (PDA) variant, where we have extra source classes not present in the target domain. Most successful algorithms use model selection strategies that rely on target labels to find the best hyper-parameters and/or models along training. However, these strategies violate the main assumption in PDA: only unlabeled target domain samples are available. Moreover, there are also inconsistencies in the experimental settings - architecture, hyper-parameter tuning, number of runs - yielding unfair comparisons. The main goal of this work is to provide a realistic evaluation of PDA methods with the different model selection strategies under a consistent evaluation protocol. We evaluate 7 representative PDA algorithms on 2 different real-world datasets using 7 different model selection strategies. Our two main findings are: (i) without target labels for model selection, the accuracy of the methods decreases up to 30 percentage points; (ii) only one method and model selection pair performs well on both datasets. Experiments were performed with our PyTorch framework, BenchmarkPDA, which we open source.
• Abstract（参考訳）: Unsupervised Domain Adaptation (UDA)は、ラベル付けされていないターゲット画像の分類を目的としている。 本稿では、ターゲットドメインに存在しない余分なソースクラスが存在する部分ドメイン適応(PDA)のバリエーションについて考察する。 最も成功したアルゴリズムは、トレーニングに沿って最適なハイパーパラメータやモデルを見つけるために、ターゲットラベルに依存するモデル選択戦略を使用する。 しかしながら、これらの戦略はPDAの主要な前提に反している。 さらに、実験的な設定 - アーキテクチャ、ハイパーパラメータチューニング、実行数 - には矛盾があり、不公平な比較が行われる。 本研究の主な目的は、一貫した評価プロトコルの下で、異なるモデル選択戦略によるPDAメソッドの現実的な評価を提供することである。 7種類のモデル選択戦略を用いて,実世界の2つのデータセットにおける代表 pda アルゴリズムの評価を行った。 私たちの2つの主な発見は (i) モデル選択のための目標ラベルがなければ、手法の精度は最大30ポイントまで低下する。 (ii)どちらのデータセットでも1つの方法とモデル選択ペアだけがうまく機能する。 PyTorchフレームワークであるBenchmarkPDAで実験を行い、オープンソースにしました。

関連論文リスト

• PiPa++: Towards Unification of Domain Adaptive Semantic Segmentation via Self-supervised Learning [34.786268652516355]
  教師なしドメイン適応セグメンテーションは、それらのドメインのラベル付きデータに頼ることなく、ターゲットドメイン上のモデルのセグメンテーション精度を向上させることを目的としている。 ソースドメイン(ラベル付きデータが利用可能な場所)とターゲットドメイン(ラベルなしデータのみが存在する場所)の特徴表現の整合を図る。
  論文  参考訳（メタデータ） (2024-07-24T08:53:29Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Distributional Shift Adaptation using Domain-Specific Features [41.91388601229745]
  オープンワールドのシナリオでは、ビッグデータのストリーミングはOut-Of-Distribution(OOD)になる。 特徴が不変か否かにかかわらず、一般の相関に依拠する単純かつ効果的な手法を提案する。 提案手法では,OODベースモデルによって同定された最も確実なサンプルを用いて,対象領域に効果的に適応する新しいモデルを訓練する。
  論文  参考訳（メタデータ） (2022-11-09T04:16:21Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、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る。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• Seeking Similarities over Differences: Similarity-based Domain Alignment for Adaptive Object Detection [86.98573522894961]
  本研究では,Unsupervised Domain Adaptation (UDA) アルゴリズムが検出に使用するコンポーネントを一般化するフレームワークを提案する。 具体的には、最適な設計選択を生かした新しいUDAアルゴリズムViSGAを提案し、インスタンスレベルの特徴を集約する単純だが効果的な方法を提案する。 類似性に基づくグループ化と対角トレーニングの両方により、モデルでは、ゆるやかに整列されたドメインにまたがるすべてのインスタンスにマッチせざるを得ず、機能グループを粗い整列することに集中することが可能であることが示されています。
  論文  参考訳（メタデータ） (2021-10-04T13:09:56Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
  既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。 本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。 私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
  論文  参考訳（メタデータ） (2021-04-07T18:36:31Z)
• Domain Generalization via Inference-time Label-Preserving Target Projections [6.97174182373899]
  異なる統計を持つ未確認のターゲットドメイン上のソースドメインのセットで訓練された機械学習モデルの一般化は、難しい問題である。 対象試料を単なる分類を超えた推論時に有効に利用する手法を提案する。 本手法は、複数のデータセットとタスクにおける最新のドメイン一般化手法を上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-03-01T17:10:38Z)
• A simple baseline for domain adaptation using rotation prediction [17.539027866457673]
  目標は、あるドメインでトレーニングされたモデルを、注釈付きデータが少ない別のドメインに適応させることだ。 本稿では,自己教師付き学習に基づく簡易かつ効果的な手法を提案する。 提案手法は,DomainNetデータセット上での半教師付きドメイン適応における最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2019-12-26T17:32:04Z)

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。