論文の概要: Universal Domain Adaptation for Remote Sensing Image Scene Classification

• arxiv url: http://arxiv.org/abs/2301.11387v1
• Date: Thu, 26 Jan 2023 20:04:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 17:27:01.910450
• Title: Universal Domain Adaptation for Remote Sensing Image Scene Classification
• Title（参考訳）: リモートセンシング画像シーン分類のためのユニバーサルドメイン適応
• Authors: Qingsong Xu, Yilei Shi, Xin Yuan, Xiao Xiang Zhu
• Abstract要約: リモートセンシング画像シーン分類のための実用的なユニバーサルドメイン適応設定を提案する。 ソースデータが利用できない場合に、ソースデータのない新しいユニバーサルドメイン適応法を提案する。 実験の結果,提案手法はリモートセンシング画像のシーン分類に有効で実用的であることが示された。
• 参考スコア（独自算出の注目度）: 27.422845844752338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domain adaptation (DA) approaches available to date are usually not well suited for practical DA scenarios of remote sensing image classification, since these methods (such as unsupervised DA) rely on rich prior knowledge about the relationship between label sets of source and target domains, and source data are often not accessible due to privacy or confidentiality issues. To this end, we propose a practical universal domain adaptation setting for remote sensing image scene classification that requires no prior knowledge on the label sets. Furthermore, a novel universal domain adaptation method without source data is proposed for cases when the source data is unavailable. The architecture of the model is divided into two parts: the source data generation stage and the model adaptation stage. The first stage estimates the conditional distribution of source data from the pre-trained model using the knowledge of class-separability in the source domain and then synthesizes the source data. With this synthetic source data in hand, it becomes a universal DA task to classify a target sample correctly if it belongs to any category in the source label set, or mark it as ``unknown" otherwise. In the second stage, a novel transferable weight that distinguishes the shared and private label sets in each domain promotes the adaptation in the automatically discovered shared label set and recognizes the ``unknown'' samples successfully. Empirical results show that the proposed model is effective and practical for remote sensing image scene classification, regardless of whether the source data is available or not. The code is available at https://github.com/zhu-xlab/UniDA.
• Abstract（参考訳）: これらの手法(教師なしのdaなど)は、ソースとターゲットドメインのラベルセットの関係に関する豊富な事前知識に依存しており、ソースデータはプライバシーや機密性の問題のためにアクセスできないことが多いため、これまで利用可能なドメイン適応(da)アプローチは、リモートセンシング画像分類の実用的なdaシナリオには適していない。 そこで本稿では,ラベルセットに関する事前知識を必要としないリモートセンシング画像シーン分類のための,実用的なユニバーサルドメイン適応設定を提案する。 さらに、ソースデータが利用できない場合に、ソースデータのない新しいユニバーサルドメイン適応法を提案する。 モデルのアーキテクチャは、ソースデータ生成段階とモデル適応段階の2つの部分に分けられる。 第1段階では、ソース領域におけるクラス分離可能性の知識を用いて、事前訓練されたモデルからソースデータの条件分布を推定し、ソースデータを合成する。 この合成ソースデータが手元にある場合、対象のサンプルがソースラベルセットのどのカテゴリに属しているかを正確に分類する普遍的なdaタスクとなり、そうでない場合は `unknown" とマークする。 第2段階では、各ドメイン内の共有ラベルセットとプライベートラベルセットを区別する新しい転送可能なウェイトが、自動的に検出された共有ラベルセットの適応を促進し、'未知'サンプルを正常に認識する。 実験の結果,提案モデルは,ソースデータの有無に関わらず,リモートセンシング画像シーン分類に有効かつ実用的であることがわかった。 コードはhttps://github.com/zhu-xlab/UniDAで入手できる。

関連論文リスト

• Adapt Anything: Tailor Any Image Classifiers across Domains And Categories Using Text-to-Image Diffusion Models [82.95591765009105]
  我々は,現代テキスト・画像拡散モデルが,ドメインやカテゴリ間でタスク適応型画像分類器をカスタマイズできるかどうかを検討することを目的とする。 対象のテキストプロンプトから派生したカテゴリラベルを用いた画像合成には,1つのオフ・ザ・シェルフテキスト・ツー・イメージモデルのみを用いる。
  論文  参考訳（メタデータ） (2023-10-25T11:58:14Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)

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。