論文の概要: Generative appearance replay for continual unsupervised domain adaptation

• arxiv url: http://arxiv.org/abs/2301.01211v1
• Date: Tue, 3 Jan 2023 17:04:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 14:03:40.949539
• Title: Generative appearance replay for continual unsupervised domain adaptation
• Title（参考訳）: 連続的教師なしドメイン適応のための生成的外観再生
• Authors: Boqi Chen, Kevin Thandiackal, Pushpak Pati, Orcun Goksel
• Abstract要約: GarDAは生成再生に基づくアプローチで、セグメンテーションモデルをラベルのない新しいドメインに順次適用することができる。 臓器とモダリティの異なる2つのデータセット上でGarDAを評価する。
• 参考スコア（独自算出の注目度）: 4.623578780480946
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models can achieve high accuracy when trained on large amounts of labeled data. However, real-world scenarios often involve several challenges: Training data may become available in installments, may originate from multiple different domains, and may not contain labels for training. Certain settings, for instance medical applications, often involve further restrictions that prohibit retention of previously seen data due to privacy regulations. In this work, to address such challenges, we study unsupervised segmentation in continual learning scenarios that involve domain shift. To that end, we introduce GarDA (Generative Appearance Replay for continual Domain Adaptation), a generative-replay based approach that can adapt a segmentation model sequentially to new domains with unlabeled data. In contrast to single-step unsupervised domain adaptation (UDA), continual adaptation to a sequence of domains enables leveraging and consolidation of information from multiple domains. Unlike previous approaches in incremental UDA, our method does not require access to previously seen data, making it applicable in many practical scenarios. We evaluate GarDA on two datasets with different organs and modalities, where it substantially outperforms existing techniques.
• Abstract（参考訳）: ディープラーニングモデルは、大量のラベル付きデータでトレーニングすることで、高い精度を達成することができる。 トレーニングデータはインストール時に利用可能になり、複数の異なるドメインから派生し、トレーニング用のラベルを含まない可能性がある。 特定の設定、例えば医療アプリケーションには、プライバシー規制のために以前に見られたデータの保持を禁止する追加の制限がしばしば含まれている。 本研究では,ドメインシフトを伴う連続学習シナリオにおける教師なしセグメンテーションについて検討する。 そこで我々はGarDA(Generative Appearance Replay for Continual Domain Adaptation)を紹介した。 単一ステップの教師なしドメイン適応(UDA)とは対照的に、一連のドメインへの連続的な適応は複数のドメインからの情報の活用と統合を可能にする。 インクリメンタルなUDAのアプローチとは異なり、我々の手法は以前見たデータにアクセスする必要がなく、多くの実践シナリオに適用できる。 gardaを臓器と形態の異なる2つのデータセットで評価し,既存の手法を実質的に上回っている。

関連論文リスト

• Multi-Target Unsupervised Domain Adaptation for Semantic Segmentation without External Data [25.386114973556406]
  マルチターゲット非教師付きドメイン適応(UDA)は、複数のターゲットドメイン間のドメインシフトに対応する統一モデルを学ぶことを目的としている。 既存のソリューションのほとんどは、ソースドメインからのラベル付きデータと、トレーニング中に複数のターゲットドメインからのラベルなしデータが必要です。 セマンティックセグメンテーションのための「外部データのないマルチターゲットUDA」という新しい戦略を導入する。
  論文  参考訳（メタデータ） (2024-05-10T14:29:51Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• Multi-scale Feature Alignment for Continual Learning of Unlabeled Domains [3.9498537297431167]
  生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。 本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
  論文  参考訳（メタデータ） (2023-02-02T18:19:01Z)
• CONDA: Continual Unsupervised Domain Adaptation Learning in Visual Perception for Self-Driving Cars [11.479857808195774]
  本稿では,モデルが新しいデータの存在に関して継続的に学習し,適応することを可能にする,連続的教師なしドメイン適応(CONDA)アプローチを提案する。 破滅的な忘れの問題を避け, セグメンテーションモデルの性能を維持するために, 新規な主観的最大損失を提示する。
  論文  参考訳（メタデータ） (2022-12-01T16:15:54Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Online Unsupervised Domain Adaptation for Person Re-identification [4.48123023008698]
  本稿では,非教師付きドメイン適応のための新しいオンライン・セッティングについて紹介する。 我々は、有名なMarket-1501、Duke、MSMT17ベンチマークを用いて、最新のUDAアルゴリズムを新しいオンライン環境に適用し、評価する。
  論文  参考訳（メタデータ） (2022-05-09T15:36:08Z)
• Forget Less, Count Better: A Domain-Incremental Self-Distillation Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
  オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。 生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
  論文  参考訳（メタデータ） (2022-05-06T15:37:56Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。