論文の概要: Representation Learning for Tablet and Paper Domain Adaptation in Favor
of Online Handwriting Recognition
- arxiv url: http://arxiv.org/abs/2301.06293v1
- Date: Mon, 16 Jan 2023 07:48:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 16:27:46.932702
- Title: Representation Learning for Tablet and Paper Domain Adaptation in Favor
of Online Handwriting Recognition
- Title（参考訳）: オンライン手書き認識におけるタブレットと紙ドメイン適応の表現学習
- Authors: Felix Ott and David R\"ugamer and Lucas Heublein and Bernd Bischl and
Christopher Mutschler
- Abstract要約: 機械学習モデルのパフォーマンスは、当初トレーニングされたデータと似ているが異なるドメインのデータに適用された時に低下する。
本稿では,タブレットと紙データ間のオンライン手書き文字認識(OnHW)の学習を促進するために,教師付きドメイン適応(DA)アプローチを提案する。
- 参考スコア（独自算出の注目度）: 3.071136270246468
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of a machine learning model degrades when it is applied to
data from a similar but different domain than the data it has initially been
trained on. The goal of domain adaptation (DA) is to mitigate this domain shift
problem by searching for an optimal feature transformation to learn a
domain-invariant representation. Such a domain shift can appear in handwriting
recognition (HWR) applications where the motion pattern of the hand and with
that the motion pattern of the pen is different for writing on paper and on
tablet. This becomes visible in the sensor data for online handwriting (OnHW)
from pens with integrated inertial measurement units. This paper proposes a
supervised DA approach to enhance learning for OnHW recognition between tablet
and paper data. Our method exploits loss functions such as maximum mean
discrepancy and correlation alignment to learn a domain-invariant feature
representation (i.e., similar covariances between tablet and paper features).
We use a triplet loss that takes negative samples of the auxiliary domain
(i.e., paper samples) to increase the amount of samples of the tablet dataset.
We conduct an evaluation on novel sequence-based OnHW datasets (i.e., words)
and show an improvement on the paper domain with an early fusion strategy by
using pairwise learning.
- Abstract（参考訳）: 機械学習モデルのパフォーマンスは、当初トレーニングされたデータと似ているが異なるドメインのデータに適用された時に低下する。
ドメイン適応(DA)の目標は、ドメイン不変表現を学習するための最適な特徴変換を探すことによって、ドメインシフト問題を緩和することである。
このようなドメインシフトは、手書き認識(hwr)アプリケーションにおいて、手書きの動作パターンとペンの動作パターンが紙やタブレットの書き込みと異なる場合に現れる。
これは、慣性測定ユニットを統合したペンからオンライン手書き(OnHW)用のセンサデータに表示されます。
本稿では,タブレットと紙データ間のOnHW認識のための教師付きDA手法を提案する。
提案手法は,最大平均誤差や相関アライメントなどの損失関数を利用して,ドメイン不変の特徴表現(タブレットと紙の特徴の類似性)を学習する。
タブレットデータセットのサンプル数を増やすために、補助ドメイン(すなわち紙サンプル)の負のサンプルを取る三重項損失を使用する。
我々は,新しいシーケンスベースのOnHWデータセット(言い換えれば単語)の評価を行い,ペアワイズ学習を用いて早期融合戦略による紙ドメインの改良を示す。
関連論文リスト
- First-Order Manifold Data Augmentation for Regression Learning [4.910937238451485]
我々は、新しいデータ駆動型ドメイン非依存データ拡張法であるFOMAを紹介する。
分布内一般化と分布外ベンチマークに基づいてFOMAを評価し,いくつかのニューラルアーキテクチャの一般化を改善することを示す。
論文 参考訳（メタデータ） (2024-06-16T12:35:05Z) - Cross-Domain Policy Adaptation by Capturing Representation Mismatch [53.087413751430255]
強化学習(RL)において、動的に異なる領域に移行できる効果的な政策を学ぶことが不可欠である。
本稿では、ソースドメインとターゲットドメインとの間に動的ミスマッチが存在する場合の動的適応設定について考察する。
対象領域でのみ表現学習を行い、ソース領域からの遷移における表現偏差を測定する。
論文 参考訳（メタデータ） (2024-05-24T09:06:12Z) - 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) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Domain Adaptation for Time-Series Classification to Mitigate Covariate
Shift [3.071136270246468]
本稿では,2つのステップに基づいた新しいドメイン適応手法を提案する。
まず、いくつかのサンプルから、ソースからターゲットドメインへの最適なクラス依存変換を探索する。
次に、埋め込み類似性技術を用いて、推論時に対応する変換を選択する。
論文 参考訳（メタデータ） (2022-04-07T10:27:14Z) - Con$^{2}$DA: Simplifying Semi-supervised Domain Adaptation by Learning
Consistent and Contrastive Feature Representations [1.2891210250935146]
Con$2$DAは、半教師付き学習の最近の進歩を半教師付きドメイン適応問題に拡張するフレームワークである。
我々のフレームワークは、与えられた入力に対してデータ変換を行うことで、関連するサンプルのペアを生成する。
我々は、異なる損失関数を使用して、関連するデータペアのサンプルの特徴表現間の一貫性を強制します。
論文 参考訳（メタデータ） (2022-04-04T15:05:45Z) - DANNTe: a case study of a turbo-machinery sensor virtualization under
domain shift [0.0]
ドメイン適応(DA)時系列回帰タスク(DANNTe)に取り組むための逆学習法を提案する。
このレグレッションは、ガスタービンに搭載されたセンサーの仮想コピーを構築することを目的としており、特定の状況で欠落する可能性がある物理的なセンサーの代わりに使用される。
ソースドメインでのみトレーニングされたベースラインモデルと比較して,回帰性能が大幅に向上したことを報告した。
論文 参考訳（メタデータ） (2022-01-11T09:24:33Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - Supervised Domain Adaptation: A Graph Embedding Perspective and a
Rectified Experimental Protocol [87.76993857713217]
本稿では、ソースとターゲットのドメインデータ間のペアワイズ関係を用いたドメイン適応法をグラフ埋め込みとして定式化できることを示す。
具体的には、既存の3つのSupervised Domain Adaptationメソッドの損失関数を分析し、グラフ埋め込みを行うことを示す。
論文 参考訳（メタデータ） (2020-04-23T15:46:20Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
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。