論文の概要: Modeling Hierarchical Structural Distance for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2211.11424v2
• Date: Fri, 19 Apr 2024 13:31:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 20:46:02.109914
• Title: Modeling Hierarchical Structural Distance for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための階層構造距離のモデル化
• Authors: Yingxue Xu, Guihua Wen, Yang Hu, Pei Yang,
• Abstract要約: 本研究では、エンドツーエンドの階層的最適輸送法(DeepHOT)を提案する。 ドメイン間の階層構造関係をマイニングすることで、ドメイン不変およびカテゴリ識別表現の両方を学ぶことを目的としている。 画像レベルOTは、ドメインレベルOTの地上距離メートル法として機能し、階層構造距離に繋がる。
• 参考スコア（独自算出の注目度）: 9.696003609445599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to estimate a transferable model for unlabeled target domains by exploiting labeled source data. Optimal Transport (OT) based methods have recently been proven to be a promising solution for UDA with a solid theoretical foundation and competitive performance. However, most of these methods solely focus on domain-level OT alignment by leveraging the geometry of domains for domain-invariant features based on the global embeddings of images. However, global representations of images may destroy image structure, leading to the loss of local details that offer category-discriminative information. This study proposes an end-to-end Deep Hierarchical Optimal Transport method (DeepHOT), which aims to learn both domain-invariant and category-discriminative representations by mining hierarchical structural relations among domains. The main idea is to incorporate a domain-level OT and image-level OT into a unified OT framework, hierarchical optimal transport, to model the underlying geometry in both domain space and image space. In DeepHOT framework, an image-level OT serves as the ground distance metric for the domain-level OT, leading to the hierarchical structural distance. Compared with the ground distance of the conventional domain-level OT, the image-level OT captures structural associations among local regions of images that are beneficial to classification. In this way, DeepHOT, a unified OT framework, not only aligns domains by domain-level OT, but also enhances the discriminative power through image-level OT. Moreover, to overcome the limitation of high computational complexity, we propose a robust and efficient implementation of DeepHOT by approximating origin OT with sliced Wasserstein distance in image-level OT and accomplishing the mini-batch unbalanced domain-level OT.
• Abstract（参考訳）: 非教師付きドメイン適応(UDA)は、ラベル付きソースデータを利用してラベル付き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ている。 最適輸送法(OT)に基づく手法は, 理論的基礎と競争性能が確固たるUDAにとって, 有望な解決策であることが最近証明された。 しかし、これらの手法の多くは、画像のグローバルな埋め込みに基づく領域不変の特徴に対してドメインの幾何学を活用することで、ドメインレベルのOTアライメントのみに焦点を当てている。 しかし、画像のグローバルな表現は画像構造を破壊し、カテゴリ識別情報を提供する局所的な詳細が失われる可能性がある。 本研究では、ドメイン間の階層構造関係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を目的とした、エンドツーエンドのDeep Hierarchical Optimal Transport法(DeepHOT)を提案する。 主なアイデアは、ドメインレベルのOTとイメージレベルのOTを統一されたOTフレームワーク、階層的最適輸送に組み込んで、ドメイン空間と画像空間の両方において基礎となる幾何学をモデル化することである。 DeepHOTフレームワークでは、画像レベルOTがドメインレベルOTの基底距離メートル法として機能し、階層構造距離に繋がる。 従来の領域レベルのOTに比べて、画像レベルのOTは、分類に有用な画像の局所領域間の構造的関連をキャプチャする。 このようにして、ドメインレベルのOTによってドメインを整列するだけでなく、画像レベルのOTを通じて識別力を高める、統合されたOTフレームワークであるDeepHOTが実現される。 さらに,高い計算複雑性の限界を克服するために,画像レベルでのワッサースタイン距離をスライスしたオリジナルOTを近似し,ミニバッチのアンバランスなドメインレベルOTを実現することにより,DeepHOTの堅牢かつ効率的な実装を提案する。

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。