論文の概要: Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2212.08355v1
• Date: Fri, 16 Dec 2022 09:01:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 15:29:49.723140
• Title: Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation
• Title（参考訳）: ユニバーサルドメイン適応のためのプロトタイプと相互点の学習分類器
• Authors: Sungsu Hur, Inkyu Shin, Kwanyong Park, Sanghyun Woo, In So Kweon
• Abstract要約: Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
• 参考スコア（独自算出の注目度）: 79.62038105814658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Universal Domain Adaptation aims to transfer the knowledge between the datasets by handling two shifts: domain-shift and category-shift. The main challenge is correctly distinguishing the unknown target samples while adapting the distribution of known class knowledge from source to target. Most existing methods approach this problem by first training the target adapted known classifier and then relying on the single threshold to distinguish unknown target samples. However, this simple threshold-based approach prevents the model from considering the underlying complexities existing between the known and unknown samples in the high-dimensional feature space. In this paper, we propose a new approach in which we use two sets of feature points, namely dual Classifiers for Prototypes and Reciprocals (CPR). Our key idea is to associate each prototype with corresponding known class features while pushing the reciprocals apart from these prototypes to locate them in the potential unknown feature space. The target samples are then classified as unknown if they fall near any reciprocals at test time. To successfully train our framework, we collect the partial, confident target samples that are classified as known or unknown through on our proposed multi-criteria selection. We then additionally apply the entropy loss regularization to them. For further adaptation, we also apply standard consistency regularization that matches the predictions of two different views of the input to make more compact target feature space. We evaluate our proposal, CPR, on three standard benchmarks and achieve comparable or new state-of-the-art results. We also provide extensive ablation experiments to verify our main design choices in our framework.
• Abstract（参考訳）: Universal Domain Adaptationは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応しながら、未知のターゲットサンプルを正しく区別することである。 既存のほとんどの手法は、まずターゲット適応された既知の分類器を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。 しかし、この単純なしきい値に基づくアプローチは、高次元特徴空間における既知のサンプルと未知のサンプルの間に存在する基本的な複雑さをモデルが考慮することを妨げる。 本稿では,2つの特徴点,すなわちプロトタイプと相互変換(cpr)の2つの分類器を用いた新しい手法を提案する。 私たちのキーとなるアイデアは、それぞれのプロトタイプを既知のクラスの特徴に関連付けながら、これらのプロトタイプから相互にプッシュして、潜在的な未知の機能空間に配置することです。 対象のサンプルは、テスト時にどの逆数の近くに落ちても未知であると分類される。 フレームワークのトレーニングを成功させるために、提案した多基準選択に基づいて、未知または未知と分類された部分的かつ確実なターゲットサンプルを収集する。 さらに、エントロピー損失正規化をそれらに適用する。 さらに適応するために、入力の2つの異なるビューの予測と一致する標準整合正則化を適用し、よりコンパクトなターゲット特徴空間を作成する。 提案手法であるcprを3つの標準ベンチマークで評価し,同等あるいは新しい結果を得た。 フレームワークの主な設計選択を検証するために、広範なアブレーション実験も行っています。

関連論文リスト

• FedHide: Federated Learning by Hiding in the Neighbors [12.71494268219787]
  本稿では,ネットワークを分類や検証タスクに組み込むためのプロトタイプベースのフェデレーション学習手法を提案する。 提案手法では, プロキシクラスプロトタイプを近接する近傍に線形に結合することで, プロキシクラスプロトタイプを生成する。 このテクニックは、クライアントが差別的な埋め込みネットワークを学習しながら、真のクラスプロトタイプを隠蔽する。
  論文  参考訳（メタデータ） (2024-09-12T07:37:49Z)
• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• 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)
• Dual Adaptive Representation Alignment for Cross-domain Few-shot Learning [58.837146720228226]
  ベース知識から学習することで、限られたサポートサンプルを持つ新規なクエリを認識することを目的としている。 この設定の最近の進歩は、ベース知識と新しいクエリサンプルが同じドメインに分散されていることを前提としている。 本稿では,ターゲットドメインで利用可能なサンプルが極めて少ないドメイン間数ショット学習の問題に対処することを提案する。
  論文  参考訳（メタデータ） (2023-06-18T09:52:16Z)
• 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)
• Exploiting Inter-Sample Affinity for Knowability-Aware Universal Domain Adaptation [34.5943374866644]
  ユニバーサルドメイン適応(UniDA)は、共通クラスの知識を、ラベルセットに関する事前の知識なしで、ソースドメインからターゲットドメインに転送することを目的としている。 最近の手法は、通常、既知のサンプルと未知のサンプルを区別するのではなく、ターゲットサンプルをソースクラスの1つに分類することに焦点を当てている。 サンプル間の親和性を生かした新しいUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-19T13:49:30Z)
• Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
  オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。 最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。 本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
  論文  参考訳（メタデータ） (2021-04-19T09:39:30Z)
• 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)

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。