論文の概要: Discriminative Radial Domain Adaptation

• arxiv url: http://arxiv.org/abs/2301.00383v1
• Date: Sun, 1 Jan 2023 10:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 14:17:25.569646
• Title: Discriminative Radial Domain Adaptation
• Title（参考訳）: 識別的ラジアルドメイン適応
• Authors: Zenan Huang, Jun Wen, Siheng Chen, Linchao Zhu, Nenggan Zheng
• Abstract要約: 本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。 このような固有識別構造を移行することで,特徴伝達性と識別可能性の同時向上が期待できることを示す。 提案手法は,様々なタスクに対する最先端のアプローチを一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 62.22362756424971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation methods reduce domain shift typically by learning domain-invariant features. Most existing methods are built on distribution matching, e.g., adversarial domain adaptation, which tends to corrupt feature discriminability. In this paper, we propose Discriminative Radial Domain Adaptation (DRDR) which bridges source and target domains via a shared radial structure. It's motivated by the observation that as the model is trained to be progressively discriminative, features of different categories expand outwards in different directions, forming a radial structure. We show that transferring such an inherently discriminative structure would enable to enhance feature transferability and discriminability simultaneously. Specifically, we represent each domain with a global anchor and each category a local anchor to form a radial structure and reduce domain shift via structure matching. It consists of two parts, namely isometric transformation to align the structure globally and local refinement to match each category. To enhance the discriminability of the structure, we further encourage samples to cluster close to the corresponding local anchors based on optimal-transport assignment. Extensively experimenting on multiple benchmarks, our method is shown to consistently outperforms state-of-the-art approaches on varied tasks, including the typical unsupervised domain adaptation, multi-source domain adaptation, domain-agnostic learning, and domain generalization.
• Abstract（参考訳）: ドメイン適応法は一般的にドメイン不変な特徴を学習することでドメインシフトを減らす。 既存のメソッドのほとんどは、例えば、特徴の識別性を損なう傾向がある逆ドメイン適応のような、分散マッチングに基づいて構築されている。 本稿では、ソースとターゲットドメインを共有ラジアル構造を介してブリッジする差別的ラジアルドメイン適応(DRDR)を提案する。 モデルが徐々に差別的になるように訓練されるにつれて、異なるカテゴリの特徴が異なる方向に展開し、ラジアル構造を形成するのがモチベーションである。 このような固有識別構造を変換することで特徴伝達性と識別性を同時に向上できることを示す。 具体的には、各領域を大域アンカーで表現し、各カテゴリを局所アンカーで表し、ラジアル構造を形成し、構造マッチングによるドメインシフトを低減する。 すなわち、構造をグローバルに整合させる等尺変換と、各カテゴリに合わせて局所的な洗練という2つの部分から構成される。 構造物の識別性を高めるため、最適な輸送割り当てに基づいて、サンプルを対応する局所アンカーに近づけるように促す。 提案手法は,マルチソースドメイン適応,ドメインに依存しない学習,ドメイン一般化など,様々なタスクにおける最先端のアプローチを常に上回ることを示す。

関連論文リスト

• Making the Best of Both Worlds: A Domain-Oriented Transformer for Unsupervised Domain Adaptation [31.150256154504696]
  Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。 ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。 本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:38:37Z)
• Birds of A Feather Flock Together: Category-Divergence Guidance for Domain Adaptive Segmentation [35.63920597305474]
  教師なしドメイン適応(UDA)は、ソースドメインからターゲットドメインへの特定のモデルの一般化能力を高めることを目的としている。 本研究では,クラス間分離・クラス内アグリゲーション(ISIA)機構を提案する。 各カテゴリの整合複雑性を計測することにより、適応重み付きインスタンスマッチング(AIM)戦略を設計し、インスタンスレベルの適応をさらに最適化する。
  論文  参考訳（メタデータ） (2022-04-05T11:17:19Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• 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)
• Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
  深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。 学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。 本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
  論文  参考訳（メタデータ） (2020-12-15T11:36:21Z)
• Unsupervised Domain Adaptation via Discriminative Manifold Propagation [26.23123292060868]
  教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへのリッチな情報を活用するのに効果的である。 提案手法は,バニラおよび部分的設定を含む一連のドメイン適応問題に対処するために利用できる。
  論文  参考訳（メタデータ） (2020-08-23T12:31:37Z)
• Contextual-Relation Consistent Domain Adaptation for Semantic Segmentation [44.19436340246248]
  本稿では,革新的局所文脈相関整合ドメイン適応手法を提案する。 グローバルレベルのアライメントにおいて、地域レベルのコンピテンシーを達成することを目的としている。 実験では, 最先端手法と比較して, セグメンテーション性能が優れていることを示した。
  論文  参考訳（メタデータ） (2020-07-05T19:00:46Z)
• Universal Domain Adaptation through Self Supervision [75.04598763659969]
  教師なし領域適応法は、全てのソースカテゴリが対象領域に存在すると仮定する。 本稿では、任意のカテゴリシフトを処理するために、エントロピー最適化(DANCE)によるドメイン適応近傍クラスタリングを提案する。 我々は、DANCEがオープンセット、オープンパーティル、部分的なドメイン適応設定でベースラインより優れていることを示す広範な実験を通して示す。
  論文  参考訳（メタデータ） (2020-02-19T01:26:11Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。