論文の概要: Single-Shot Domain Adaptation via Target-Aware Generative Augmentation
- arxiv url: http://arxiv.org/abs/2210.16692v1
- Date: Sat, 29 Oct 2022 20:53:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 15:04:28.187260
- Title: Single-Shot Domain Adaptation via Target-Aware Generative Augmentation
- Title(参考訳): target-aware generative augmentation による単発領域適応
- Authors: Rakshith Subramanyam, Kowshik Thopalli, Spring Berman, Pavan Turaga,
Jayaraman J. Thiagarajan
- Abstract要約: 既存手法による拡張は,大規模な分散シフトを扱うには不十分である,と我々は主張する。
本稿では、まず、単一ショットターゲットを用いて、ソースドメインから生成モデルを微調整するSiSTA(Single-Shot Target Augmentations)を提案する。
顔検出において,SiSTAは既存のベースラインよりも最大20%改善できることがわかった。
- 参考スコア(独自算出の注目度): 21.17396588958938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The problem of adapting models from a source domain using data from any
target domain of interest has gained prominence, thanks to the brittle
generalization in deep neural networks. While several test-time adaptation
techniques have emerged, they typically rely on synthetic data augmentations in
cases of limited target data availability. In this paper, we consider the
challenging setting of single-shot adaptation and explore the design of
augmentation strategies. We argue that augmentations utilized by existing
methods are insufficient to handle large distribution shifts, and hence propose
a new approach SiSTA (Single-Shot Target Augmentations), which first fine-tunes
a generative model from the source domain using a single-shot target, and then
employs novel sampling strategies for curating synthetic target data. Using
experiments with a state-of-the-art domain adaptation method, we find that
SiSTA produces improvements as high as 20\% over existing baselines under
challenging shifts in face attribute detection, and that it performs
competitively to oracle models obtained by training on a larger target dataset.
- Abstract(参考訳): ディープニューラルネットワークの脆弱な一般化により、任意の対象領域のデータを使用してソースドメインからモデルを適用するという問題が注目されている。
いくつかのテスト時間適応技術が登場したが、それらは通常、ターゲットデータ可用性が制限された場合の合成データ拡張に依存している。
本稿では,単発適応の挑戦的な設定について考察し,拡張戦略の設計について考察する。
そこで,本論文では,既存手法による拡張は大きな分布シフトを扱うには不十分であるとして,まず1発のターゲットを用いてソース領域から生成モデルを微調整し,次に新たなサンプリング戦略を用いて合成対象データのキュレーションを行う新たなアプローチ sista (single-shot target augmentation) を提案する。
現状のドメイン適応手法を用いた実験により,SiSTAは顔属性検出の挑戦的なシフトの下で,既存のベースラインよりも最大20%向上し,より大きなターゲットデータセットでトレーニングしたオラクルモデルと競合して動作することがわかった。
関連論文リスト
- Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳(メタデータ) (2024-02-07T04:11:25Z) - Mitigate Domain Shift by Primary-Auxiliary Objectives Association for
Generalizing Person ReID [39.98444065846305]
ReIDモデルは、インスタンス分類の目的に関するトレーニングを通じてのみドメイン不変表現を学ぶのに苦労します。
本稿では,弱いラベル付き歩行者唾液度検出のための補助学習目標を用いて,プライマリReIDインスタンス分類目標のモデル学習を指導する手法を提案する。
我々のモデルは、最近のテストタイムダイアグラムで拡張してPAOA+を形成し、補助的な目的に対してオンザフライ最適化を行うことができる。
論文 参考訳(メタデータ) (2023-10-24T15:15:57Z) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳(メタデータ) (2023-10-07T07:53:12Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳(メタデータ) (2023-09-25T15:56:01Z) - Enhancing Visual Perception in Novel Environments via Incremental Data
Augmentation Based on Style Transfer [2.516855334706386]
未知の未知"は、現実のシナリオにおける自律的なエージェントデプロイメントに挑戦する。
提案手法は,変分プロトタイピング(VPE)を利用して,新規入力を積極的に識別し,処理することで視覚知覚を向上させる。
本研究は,ドメイン固有の拡張戦略に生成モデルを組み込むことの潜在的な利点を示唆する。
論文 参考訳(メタデータ) (2023-09-16T03:06:31Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習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。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Target-Aware Generative Augmentations for Single-Shot Adaptation [21.840653627684855]
我々は、ソースドメインからターゲットドメインへのモデル適応のための新しいアプローチを提案する。
SiSTAは、単一ショットターゲットを用いてソースドメインから生成モデルを微調整し、その後、合成ターゲットデータをキュレートするための新しいサンプリング戦略を用いる。
顔検出や多クラス物体認識において,SiSTAは既存のベースラインよりも大幅に向上していることがわかった。
論文 参考訳(メタデータ) (2023-05-22T17:46:26Z) - Continual Source-Free Unsupervised Domain Adaptation [37.060694803551534]
既存のソースフリーのUnsupervised Domain Adaptationアプローチは破滅的な忘れを見せる。
本稿では,SuDAの継続的な学習環境における課題に対応するための連続的なSUDA(C-SUDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-14T20:11:05Z) - Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。
そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。
提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-06-07T08:38:41Z) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳(メタデータ) (2021-03-21T23:58:39Z)
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。