論文の概要: Diffusion-based Target Sampler for Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2303.12724v1
- Date: Fri, 17 Mar 2023 02:07:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 03:09:36.987273
- Title: Diffusion-based Target Sampler for Unsupervised Domain Adaptation
- Title(参考訳): 非教師付きドメイン適応のための拡散型ターゲットサンプリング
- Authors: Yulong Zhang, Shuhao Chen, Yu Zhang, Jiangang Lu
- Abstract要約: 大きなドメインシフトと対象ドメインのサンプル不足により、既存のUDAメソッドは最適以下のパフォーマンスを実現する。
そこで我々はDTS(Diffusion-based Target Sampler)を提案する。
生成されたサンプルは、ターゲットドメインのデータ分布を十分にシミュレートすることができ、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つ。
- 参考スコア(独自算出の注目度): 5.025971841729201
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Limited transferability hinders the performance of deep learning models when
applied to new application scenarios. Recently, unsupervised domain adaptation
(UDA) has achieved significant progress in addressing this issue via learning
domain-invariant features. However, large domain shifts and the sample scarcity
in the target domain make existing UDA methods achieve suboptimal performance.
To alleviate these issues, we propose a plug-and-play Diffusion-based Target
Sampler (DTS) to generate high fidelity and diversity pseudo target samples. By
introducing class-conditional information, the labels of the generated target
samples can be controlled. The generated samples can well simulate the data
distribution of the target domain and help existing UDA methods transfer from
the source domain to the target domain more easily, thus improving the transfer
performance. Extensive experiments on various benchmarks demonstrate that the
performance of existing UDA methods can be greatly improved through the
proposed DTS method.
- Abstract(参考訳): 限られた転送性は、新しいアプリケーションシナリオに適用した場合、ディープラーニングモデルのパフォーマンスを妨げる。
近年,非教師なしドメイン適応(UDA)は,ドメイン不変の特徴を学習することでこの問題に対処する上で大きな進歩を遂げている。
しかし、大きなドメインシフトと対象ドメインのサンプル不足により、既存のUDAメソッドは最適以下の性能を実現する。
これらの問題を緩和するため,我々は高忠実度かつ多様性の疑似ターゲットサンプルを生成するためのdts(plug-and-play diffusion-based target sampler)を提案する。
クラス条件情報を導入することにより、生成されたターゲットサンプルのラベルを制御することができる。
生成されたサンプルは、ターゲットドメインのデータ分布を十分にシミュレートし、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にし、転送性能を向上させる。
様々なベンチマーク実験により,提案手法により既存のUDA法の性能を大幅に改善できることが示されている。
関連論文リスト
- Domain-Guided Conditional Diffusion Model for Unsupervised Domain
Adaptation [23.668005880581248]
本研究では,DomAin-guided Conditional Diffusion Model (DACDM)を提案する。
生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つため、転送性能が向上する。
論文 参考訳(メタデータ) (2023-09-23T07:09:44Z) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-30T11:38:46Z) - Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳(メタデータ) (2023-02-28T16:31:17Z) - MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation
Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。
これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。
長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文 参考訳(メタデータ) (2023-01-18T07:55:22Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳(メタデータ) (2022-01-06T05:43:01Z) - 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-Anchor Active Domain Adaptation for Semantic Segmentation [25.93409207335442]
教師なしのドメイン適応は、手動アノテーションの集中的なワークロードを軽減する効果的なアプローチであることが証明されている。
本稿では,セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,マルチアンカーベースのアクティブラーニング戦略を提案する。
論文 参考訳(メタデータ) (2021-08-18T07:33:13Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - Dynamic Domain Adaptation for Efficient Inference [12.713628738434881]
ドメイン適応(DA)は、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知識転送を可能にする。
以前のdaアプローチのほとんどは、適応能力を改善するために複雑で強力なディープニューラルネットワークを活用する。
低リソースシナリオにおいて効率的なターゲット推論を同時に実現できる動的ドメイン適応(DDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-26T08:53:16Z) - Stochastic Adversarial Gradient Embedding for Active Domain Adaptation [4.514832807541817]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータが利用可能なソースドメインと、教師なしデータでのみ表現されるターゲットドメインの間のギャップを埋めることを目的としている。
本稿では、アクティブラーニングを用いて目標データの小さな予算をアノテートすることでこの問題に対処する。
ADAに3つの貢献をするフレームワークであるtextitStochastic Adversarial Gradient Embedding (SAGE)を紹介した。
論文 参考訳(メタデータ) (2020-12-03T11:28:32Z)
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。