論文の概要: DAFD: Domain Adaptation via Feature Disentanglement for Image
Classification
- arxiv url: http://arxiv.org/abs/2301.13337v2
- Date: Tue, 9 Jan 2024 05:09:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 20:55:32.047304
- Title: DAFD: Domain Adaptation via Feature Disentanglement for Image
Classification
- Title(参考訳): DAFD:画像分類のための特徴分散によるドメイン適応
- Authors: Zhize Wu, Changjiang Du, Le Zou, Ming Tan, Tong Xu, Fan Cheng, Fudong
Nian, and Thomas Weise
- Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, 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学習した知識を転送することで、ドメインシフトを減らす。
カテゴリ関連特徴を蒸留し,グローバルな特徴マップからカテゴリ関連特徴を除外することにより,UDAの特徴のゆがみを行う。
これにより、ドメインアライメントの困難が軽減され、ターゲットドメインの分類精度が向上する。
- 参考スコア(独自算出の注目度): 8.575537779033263
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A good feature representation is the key to image classification. In
practice, image classifiers may be applied in scenarios different from what
they have been trained on. This so-called domain shift leads to a significant
performance drop in image classification. Unsupervised domain adaptation (UDA)
reduces the domain shift by transferring the knowledge learned from a labeled
source domain to an unlabeled target domain. We perform feature disentanglement
for UDA by distilling category-relevant features and excluding
category-irrelevant features from the global feature maps. This disentanglement
prevents the network from overfitting to category-irrelevant information and
makes it focus on information useful for classification. This reduces the
difficulty of domain alignment and improves the classification accuracy on the
target domain. We propose a coarse-to-fine domain adaptation method called
Domain Adaptation via Feature Disentanglement~(DAFD), which has two components:
(1)the Category-Relevant Feature Selection (CRFS) module, which disentangles
the category-relevant features from the category-irrelevant features, and
(2)the Dynamic Local Maximum Mean Discrepancy (DLMMD) module, which achieves
fine-grained alignment by reducing the discrepancy within the category-relevant
features from different domains. Combined with the CRFS, the DLMMD module can
align the category-relevant features properly. We conduct comprehensive
experiment on four standard datasets. Our results clearly demonstrate the
robustness and effectiveness of our approach in domain adaptive image
classification tasks and its competitiveness to the state of the art.
- Abstract(参考訳): 優れた特徴表現は、画像分類の鍵です。
実際には、イメージ分類器はトレーニング対象とは異なるシナリオで適用することができる。
このいわゆるドメインシフトは、画像分類の大幅なパフォーマンス低下につながる。
unsupervised domain adaptation (uda)はラベル付きソースドメインから学んだ知識をラベルなしのターゲットドメインに移すことで、ドメインシフトを削減する。
カテゴリ関連特徴を蒸留し,グローバルな特徴マップからカテゴリ非関連特徴を除外することにより,UDAの特徴分散を行う。
この絡み合いは、ネットワークがカテゴリ非関連情報への過度な適合を防ぎ、分類に有用な情報に集中させる。
これにより、ドメインアライメントの困難が軽減され、ターゲットドメインの分類精度が向上する。
本稿では,(1)カテゴリー関連特徴とカテゴリ関連特徴を区別するカテゴリー関連特徴選択(crfs)モジュールと,(2)異なる領域からカテゴリ関連特徴の差異を低減してきめ細かなアライメントを実現する動的局所最大平均不一致(dlmmd)モジュールという,2つの要素からなる特徴不等角化~(dafd)によるドメイン適応法を提案する。
CRFSと組み合わせることで、DLMMDモジュールはカテゴリ関連機能を適切に調整することができる。
4つの標準データセットに対して総合的な実験を行う。
本研究は,画像分類課題におけるロバスト性と有効性を明確に示し,その技術に対する競争力を明らかにした。
関連論文リスト
- I2F: A Unified Image-to-Feature Approach for Domain Adaptive Semantic
Segmentation [55.633859439375044]
意味的セグメンテーションのための教師なしドメイン適応(UDA)は、重いアノテーション作業から人々を解放する有望なタスクである。
この問題に対処する主要なアイデアは、画像レベルと特徴レベルの両方を共同で実行することである。
本稿では,画像レベルと特徴レベルを統一したセマンティックセグメンテーションのための新しいUDAパイプラインを提案する。
論文 参考訳(メタデータ) (2023-01-03T15:19:48Z) - 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) - ToAlign: Task-oriented Alignment for Unsupervised Domain Adaptation [84.90801699807426]
ドメイン間でアライメントすべき機能について検討し、ドメインアライメントが積極的に分類に役立てることを提案する。
我々は、ソースドメインの機能を、整列すべきタスク関連/識別機能と、回避/無視されるべきタスク関連機能に明示的に分解します。
論文 参考訳(メタデータ) (2021-06-21T02:17:48Z) - Coarse-to-Fine Domain Adaptive Semantic Segmentation with Photometric
Alignment and Category-Center Regularization [42.25246413410471]
画像レベルのアライメントとカテゴリレベルの特徴分布の正規化を粗い方法で統一する新しいUDAパイプラインを提案する。
実験の結果,提案するパイプラインは最終セグメンテーションモデルの一般化能力を向上させることがわかった。
論文 参考訳(メタデータ) (2021-03-24T08:04:08Z) - MeGA-CDA: Memory Guided Attention for Category-Aware Unsupervised Domain
Adaptive Object Detection [80.24165350584502]
カテゴリ対応ドメイン適応のためのメモリガイドアテンションを提案する。
提案手法は,カテゴリー分類器を用いてカテゴリ認識特徴のアライメントを保証する。
この方法はいくつかのベンチマークデータセットで評価され、既存のアプローチを上回ることが示されています。
論文 参考訳(メタデータ) (2021-03-07T01:08:21Z) - Domain Adaptive Semantic Segmentation Using Weak Labels [115.16029641181669]
本稿では,画像レベルの弱いラベルを持つセマンティックセグメンテーションにおけるドメイン適応のための新しいフレームワークを提案する。
ネットワークに特定のカテゴリへの参加を強制する弱いラベル分類モジュールを開発する。
実験では,UDAにおける既存の最先端技術に対する大幅な改善と,WDA設定における新たなベンチマークを示す。
論文 参考訳(メタデータ) (2020-07-30T01:33:57Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳(メタデータ) (2020-07-21T14:31:27Z) - Exploring Categorical Regularization for Domain Adaptive Object
Detection [27.348272177261233]
ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。
一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。
提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
論文 参考訳(メタデータ) (2020-03-20T08:53:10Z) - Differential Treatment for Stuff and Things: A Simple Unsupervised
Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。
我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。
提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
論文 参考訳(メタデータ) (2020-03-18T04:43:25Z)
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。