論文の概要: Unsupervised Domain Adaptation via Deep Hierarchical Optimal Transport
- arxiv url: http://arxiv.org/abs/2211.11424v1
- Date: Mon, 21 Nov 2022 13:10:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 21:07:26.945569
- Title: Unsupervised Domain Adaptation via Deep Hierarchical Optimal Transport
- Title(参考訳): 階層的最適輸送による教師なしドメイン適応
- Authors: Yingxue Xu, Guihua Wen, Yang Hu, Pei Yang
- Abstract要約: 本稿では、教師なしドメイン適応のためのDeep Hierarchical Optimal Transport法(DeepHOT)を提案する。
フレームワークはドメインレベルのOTとイメージレベルのOTで構成され、後者は前者の地上距離メートル法として使用される。
そこで本研究では,画像レベルOTにおけるワッサースタイン距離をスライスしたオリジンOTを近似し,領域レベルのOTに対して最小バッチ不均衡な最適トランスポートを用いることにより,DeepHOTフレームワークの堅牢かつ効率的な実装を提案する。
- 参考スコア(独自算出の注目度): 15.451687572556024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation is a challenging task that aims to estimate a
transferable model for unlabeled target domain by exploiting source labeled
data. Optimal Transport (OT) based methods recently have been proven to be a
promising direction for domain adaptation due to their competitive performance.
However, most of these methods coarsely aligned source and target
distributions, leading to the over-aligned problem where the
category-discriminative information is mixed up although domain-invariant
representations can be learned. In this paper, we propose a Deep Hierarchical
Optimal Transport method (DeepHOT) for unsupervised domain adaptation. The main
idea is to use hierarchical optimal transport to learn both domain-invariant
and category-discriminative representations by mining the rich structural
correlations among domain data. The DeepHOT framework consists of a
domain-level OT and an image-level OT, where the latter is used as the ground
distance metric for the former. The image-level OT captures structural
associations of local image regions that are beneficial to image
classification, while the domain-level OT learns domain-invariant
representations by leveraging the underlying geometry of domains. However, due
to the high computational complexity, the optimal transport based models are
limited in some scenarios. To this end, we propose a robust and efficient
implementation of the DeepHOT framework by approximating origin OT with sliced
Wasserstein distance in image-level OT and using a mini-batch unbalanced
optimal transport for domain-level OT. Extensive experiments show that DeepHOT
surpasses the state-of-the-art methods in four benchmark datasets. Code will be
released on GitHub.
- Abstract(参考訳): 教師なしドメイン適応は、ソースラベル付きデータを利用してラベルなしターゲットドメインの転送可能なモデルを推定することを目的とした課題である。
近年,OT(Optimal Transport)ベースの手法は,その競争性能から,ドメイン適応に有望な方向であることが証明されている。
しかし、これらの手法の多くは大まかに整列されたソースとターゲットの分布であり、ドメイン不変表現を学習しながらカテゴリ識別情報が混在するオーバーアライメントの問題につながる。
本稿では、教師なしドメイン適応のためのDeep Hierarchical Optimal Transport(DeepHOT)を提案する。
主な考え方は、階層的最適輸送を用いて、ドメインデータ間の豊富な構造的相関をマイニングすることで、ドメイン不変量とカテゴリ識別表現の両方を学ぶことである。
DeepHOTフレームワークはドメインレベルのOTとイメージレベルのOTで構成され、後者は前者の地上距離メートル法として使用される。
画像レベルのotは画像分類に有用な局所的な画像領域の構造的関連をキャプチャし、ドメインレベルのotはドメインの基盤となる幾何学を利用してドメイン不変表現を学習する。
しかし、計算複雑性が高いため、最適輸送ベースモデルはいくつかのシナリオで制限されている。
そこで本研究では,画像レベルOTにおけるワッサースタイン距離をスライスしたオリジンOTを近似し,領域レベルのOTに対して最小バッチ不均衡な最適トランスポートを用いることにより,DeepHOTフレームワークの堅牢かつ効率的な実装を提案する。
大規模な実験により、DeepHOTは4つのベンチマークデータセットで最先端のメソッドを上回っていることがわかった。
コードはGitHubでリリースされる。
関連論文リスト
- Decomposition-based Unsupervised Domain Adaptation for Remote Sensing Image Semantic Segmentation [30.606689882397223]
非教師なし領域適応(UDA)技術は、地球科学のセマンティックセグメンテーションに不可欠である。
高レベルの特徴空間におけるドメインアライメントに焦点を当てた既存のUDA手法の多くは、局所的な空間的詳細とグローバルな文脈的意味論を同時に維持するのに苦労している。
ドメイン不変表現学習を導くための新しい分解手法を提案する。
論文 参考訳(メタデータ) (2024-04-06T07:13:49Z) - I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳(メタデータ) (2023-01-03T15:19:48Z) - DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic
Segmentation [97.74059510314554]
セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練されたセグメンテーションモデルをラベル付きターゲットドメインに適応させることを目的としている。
既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。
本稿では,新しいDual Soft-Paste (DSP)法を提案する。
論文 参考訳(メタデータ) (2021-07-20T16:22:40Z) - 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) - Coarse-to-Fine Domain Adaptive Semantic Segmentation with Photometric
Alignment and Category-Center Regularization [42.25246413410471]
画像レベルのアライメントとカテゴリレベルの特徴分布の正規化を粗い方法で統一する新しいUDAパイプラインを提案する。
実験の結果,提案するパイプラインは最終セグメンテーションモデルの一般化能力を向上させることがわかった。
論文 参考訳(メタデータ) (2021-03-24T08:04:08Z) - Pixel-Level Cycle Association: A New Perspective for Domain Adaptive
Semantic Segmentation [169.82760468633236]
本稿では,ソースとターゲットの画素ペア間の画素レベルサイクルの関連性を構築することを提案する。
我々の手法は1段階のエンドツーエンドで訓練でき、追加のパラメータは導入しない。
論文 参考訳(メタデータ) (2020-10-31T00:11:36Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳(メタデータ) (2020-05-14T04:23:24Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳(メタデータ) (2020-03-29T09:03:23Z)
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。