論文の概要: Polycentric Clustering and Structural Regularization for Source-free
Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2210.07463v1
- Date: Fri, 14 Oct 2022 02:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 16:53:35.391275
- Title: Polycentric Clustering and Structural Regularization for Source-free
Unsupervised Domain Adaptation
- Title(参考訳): ソースフリー非教師なしドメイン適応のための多中心クラスタリングと構造規則化
- Authors: Xinyu Guan, Han Sun, Ningzhong Liu, Huiyu Zhou
- Abstract要約: Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。
既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。
本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
- 参考スコア(独自算出の注目度): 20.952542421577487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source-Free Domain Adaptation (SFDA) aims to solve the domain adaptation
problem by transferring the knowledge learned from a pre-trained source model
to an unseen target domain. Most existing methods assign pseudo-labels to the
target data by generating feature prototypes. However, due to the discrepancy
in the data distribution between the source domain and the target domain and
category imbalance in the target domain, there are severe class biases in the
generated feature prototypes and noisy pseudo-labels. Besides, the data
structure of the target domain is often ignored, which is crucial for
clustering. In this paper, a novel framework named PCSR is proposed to tackle
SFDA via a novel intra-class Polycentric Clustering and Structural
Regularization strategy. Firstly, an inter-class balanced sampling strategy is
proposed to generate representative feature prototypes for each class.
Furthermore, k-means clustering is introduced to generate multiple clustering
centers for each class in the target domain to obtain robust pseudo-labels.
Finally, to enhance the model's generalization, structural regularization is
introduced for the target domain. Extensive experiments on three UDA benchmark
datasets show that our method performs better or similarly against the other
state of the art methods, demonstrating our approach's superiority for visual
domain adaptation problems.
- Abstract(参考訳): source-free domain adaptation (sfda) は、事前学習したソースモデルから学んだ知識を対象領域に移すことで、ドメイン適応問題を解決することを目的としている。
ほとんどの既存メソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。
しかし、ソースドメインとターゲットドメインとの間のデータ分布のばらつきと、ターゲットドメインにおけるカテゴリの不均衡のため、生成された機能プロトタイプとノイズの多い擬似ラベルには厳しいクラスバイアスがある。
さらに、ターゲットドメインのデータ構造は無視されることが多く、クラスタリングには不可欠である。
本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
まず,クラス間バランスの取れたサンプリング戦略を提案し,各クラスに代表的特徴プロトタイプを生成する。
さらに、k平均クラスタリングを導入して、ターゲットドメインの各クラスの複数のクラスタリングセンタを生成し、堅牢な擬似ラベルを得る。
最後に、モデル一般化を強化するために、対象領域に対して構造正則化を導入する。
3つのUDAベンチマークデータセットの大規模な実験により、我々の手法は、他の手法と比較して、より良い、または類似した性能を示し、視覚領域適応問題に対するアプローチの優位性を示す。
関連論文リスト
- Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。
提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
論文 参考訳(メタデータ) (2024-01-21T09:57:56Z) - Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
対象データの識別クラスタリングとしてドメイン適応問題を再検討する。
本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。
5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
論文 参考訳(メタデータ) (2023-02-23T13:03:48Z) - A Prototype-Oriented Clustering for Domain Shift with Source Privacy [66.67700676888629]
本稿では,PCD(Prototype-oriented Clustering with Distillation)を導入し,既存の手法の性能と適用性を向上させる。
PCDはまず、プロトタイプとデータの分布を整列することで、ソースクラスタリングモデルを構築する。
その後、ソースモデルが提供するクラスタラベルを通じてターゲットモデルに知識を蒸留し、同時にターゲットデータをクラスタ化する。
論文 参考訳(メタデータ) (2023-02-08T00:15:35Z) - 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) - Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。
この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-19T16:07:32Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain
Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。
本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。
提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
論文 参考訳(メタデータ) (2020-12-08T08:52:00Z) - Domain Adaptation by Class Centroid Matching and Local Manifold
Self-Learning [8.316259570013813]
本稿では,対象領域のデータ分散構造を徹底的に探索できる新しい領域適応手法を提案する。
対象領域内の同一クラスタ内のサンプルを個人ではなく全体とみなし、クラスセントロイドマッチングにより擬似ラベルを対象クラスタに割り当てる。
提案手法の目的関数を理論的収束保証を用いて解くために,効率的な反復最適化アルゴリズムを設計した。
論文 参考訳(メタデータ) (2020-03-20T16:59:27Z)
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。