論文の概要: Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification

• arxiv url: http://arxiv.org/abs/2301.10611v1
• Date: Wed, 25 Jan 2023 14:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-26 15:01:19.788005
• Title: Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification
• Title（参考訳）: マルチラベル画像分類のための識別器非教師なし領域適応
• Authors: Indel Pal Singh, Enjie Ghorbel, Anis Kacem, Arunkumar Rathinam and Djamila Aouada
• Abstract要約: マルチラベル画像分類(MLIC)のための識別器のない非教師付きドメイン適応(UDA)を提案する。 2成分ガウス混合モデル(GMM)は、ソースとターゲットの予測に適合し、2つのクラスタの区別を可能にする。 得られた分布は、フレシェ距離に基づいて逆損失を定式化するために使用される。
• 参考スコア（独自算出の注目度）: 12.602169682406409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, a discriminator-free adversarial-based Unsupervised Domain Adaptation (UDA) for Multi-Label Image Classification (MLIC) referred to as DDA-MLIC is proposed. Over the last two years, some attempts have been made for introducing adversarial-based UDA methods in the context of MLIC. However, these methods which rely on an additional discriminator subnet present two shortcomings. First, the learning of domain-invariant features may harm their task-specific discriminative power, since the classification and discrimination tasks are decoupled. Moreover, the use of an additional discriminator usually induces an increase of the network size. Herein, we propose to overcome these issues by introducing a novel adversarial critic that is directly deduced from the task-specific classifier. Specifically, a two-component Gaussian Mixture Model (GMM) is fitted on the source and target predictions, allowing the distinction of two clusters. This allows extracting a Gaussian distribution for each component. The resulting Gaussian distributions are then used for formulating an adversarial loss based on a Frechet distance. The proposed method is evaluated on three multi-label image datasets. The obtained results demonstrate that DDA-MLIC outperforms existing state-of-the-art methods while requiring a lower number of parameters.
• Abstract（参考訳）: 本稿では、DDA-MLICと呼ばれるマルチラベル画像分類(MLIC)のための識別器のない非教師付きドメイン適応(UDA)を提案する。 過去2年間で、MLICの文脈で、敵対的な UDA メソッドを導入する試みがいくつか行われた。 しかし, 新たな識別器サブネットに依存するこれらの手法には, 欠点が2つある。 第一に、ドメイン不変の特徴の学習は、分類と識別タスクが分離されるため、タスク固有の識別力を傷つける可能性がある。 さらに、追加の判別器の使用は、通常、ネットワークサイズの増加を引き起こす。 そこで本稿では,タスク固有分類器から直接推論される新たな逆批判を導入することで,これらの問題を解決することを提案する。 具体的には、ソースとターゲット予測に2成分のガウス混合モデル(GMM)を取り付けて、2つのクラスタを区別する。 これにより各成分に対してガウス分布を抽出できる。 結果のガウス分布は、フレシェ距離に基づいて逆損失を定式化するために用いられる。 提案手法は3つのマルチラベル画像データセット上で評価される。 その結果,DDA-MLICは,パラメータの少ない既存手法よりも高い性能を示した。

関連論文リスト

• ProtoGMM: Multi-prototype Gaussian-Mixture-based Domain Adaptation Model for Semantic Segmentation [0.8213829427624407]
  ドメイン適応型セマンティックセグメンテーションは、ラベルのないターゲットドメインに対して正確で高密度な予測を生成することを目的としている。 本稿では,GMMを比較学習に組み込んだProtoGMMモデルを提案する。 クラス間のセマンティックな類似性の向上,クラス間の類似性の低下,およびソースドメインとターゲットドメイン間のドメインアライメントを実現するために,マルチプロトタイプコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2024-06-27T14:50:50Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation [22.852237073492894]
  Unsupervised Domain Adaptation (UDA) は、よくラベルされたソースドメインから未ラベルのターゲットドメインに学習された知識を一般化することを目的としている。 本稿では,ソースサンプルとターゲットサンプルが生成する勾配の差を明示的に最小化する,クロスドメイン離散化(CGDM)手法を提案する。 対象サンプルの勾配信号を計算するために,クラスタリングに基づく自己教師型学習を通じて,対象の擬似ラベルを求める。
  論文  参考訳（メタデータ） (2021-06-08T07:35:40Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数の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タスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
  Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。 本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。 具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
  論文  参考訳（メタデータ） (2020-08-27T01:29:10Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)
• Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search [20.199195698983715]
  教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。 本稿では,対象データを必要としないUDAの手法を提案する。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
  論文  参考訳（メタデータ） (2020-05-11T20:58:23Z)
• MiniMax Entropy Network: Learning Category-Invariant Features for Domain Adaptation [29.43532067090422]
  逆学習に基づくMMEN(MiniMax Entropy Networks)と呼ばれる実装が容易な手法を提案する。 ドメイン差に対処するためにジェネレータを使用する既存のアプローチとは異なり、MMENはラベルのないターゲットサンプルからカテゴリ情報を学習することに重点を置いている。
  論文  参考訳（メタデータ） (2019-04-21T13:39:29Z)

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。