論文の概要: \emph{MEnsA}: Mix-up Ensemble Average for Unsupervised Multi Target
Domain Adaptation on 3D Point Clouds
- arxiv url: http://arxiv.org/abs/2304.01554v1
- Date: Tue, 4 Apr 2023 06:13:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 15:05:42.628858
- Title: \emph{MEnsA}: Mix-up Ensemble Average for Unsupervised Multi Target
Domain Adaptation on 3D Point Clouds
- Title（参考訳）: emph{mensa}:3次元点雲上の教師なしマルチターゲット領域適応のためのミックスアップアンサンブル平均
- Authors: Ashish Sinha, Jonghyun Choi
- Abstract要約: 非教師付きドメイン適応(UDA)は、ラベル付きターゲットドメインとラベル付きソースドメインの間の分散シフトの問題に対処する。
我々は,すべてのドメインの特徴表現を混合して,アンサンブル平均によるドメイン適応性能を向上させることを提案する。
挑戦的なPointDA-10データセットに関する広範な実証的検証では、大きなマージンによる単純な方法の明確なメリットを示します。
- 参考スコア（独自算出の注目度）: 9.568577396815602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation (UDA) addresses the problem of distribution
shift between the unlabeled target domain and labelled source domain. While the
single target domain adaptation (STDA) is well studied in both 2D and 3D vision
literature, multi-target domain adaptation (MTDA) is barely explored for 3D
data despite its wide real-world applications such as autonomous driving
systems for various geographical and climatic conditions. We establish an MTDA
baseline for 3D point cloud data by proposing to mix the feature
representations from all domains together to achieve better domain adaptation
performance by an ensemble average, which we call \emph{{\bf M}ixup {\bf
Ens}emble {\bf A}verage} or {\bf \emph{MEnsA}}. With the mixed representation,
we use a domain classifier to improve at distinguishing the feature
representations of source domain from those of target domains in a shared
latent space. In extensive empirical validations on the challenging PointDA-10
dataset, we showcase a clear benefit of our simple method over previous
unsupervised STDA and MTDA methods by large margins (up to $17.10\%$ and
$4.76\%$ on averaged over all domain shifts). We make the code publicly
available
\href{https://github.com/sinAshish/MEnsA_mtda}{here}\footnote{\url{https://github.com/sinAshish/MEnsA_mtda}}.
- Abstract（参考訳）: unsupervised domain adaptation(uda)は、ラベルなしのターゲットドメインとラベル付きソースドメインの間の分散シフトの問題に対処する。
単一対象領域適応(STDA)は2次元と3次元の両方の視覚文献でよく研究されているが、多目的領域適応(MTDA)は、様々な地理的・気候条件に対する自律運転システムのような広範囲の現実世界の応用にもかかわらず、ほとんど調査されていない。
我々は,すべてのドメインの特徴表現を混合して,アンサンブル平均によるドメイン適応性能の向上を図ることで,3DポイントクラウドデータのためのMTDAベースラインを構築し,それを「emph{{\bf M}ixup {\bf Ens}emble {\bf A}verage} または {\bf{MEnsA}} と呼ぶ。
混合表現では、ドメイン分類器を用いて、ソースドメインの特徴表現を、共有潜在空間における対象ドメインの特徴表現と区別する。
挑戦的なPointDA-10データセットに関する広範な実証的検証では、これまでの教師なしSTDAおよびMTDAメソッドよりも、大きなマージン(すべてのドメインシフト平均で最大17.10\%と4.76\%)で、我々の単純なメソッドの明確な利点を示す。
コードはhttps://github.com/sinashish/mensa_mtda}{here}\footnote{\url{https://github.com/sinashish/mensa_mtda}} で公開されている。
関連論文リスト
- Inter-Domain Mixup for Semi-Supervised Domain Adaptation [108.40945109477886]
半教師付きドメイン適応(SSDA)は、ソースとターゲットのドメイン分布をブリッジすることを目的としており、少数のターゲットラベルが利用可能である。
既存のSSDAの作業は、ソースドメインとターゲットドメインの両方からラベル情報をフル活用して、ドメイン間の機能アライメントに失敗する。
本稿では,新しいSSDA手法であるIDMNE(Inter-domain Mixup with Neighborhood Expansion)を提案する。
論文 参考訳（メタデータ） (2024-01-21T10:20:46Z) - SUG: Single-dataset Unified Generalization for 3D Point Cloud
Classification [44.27324696068285]
トレーニング済みのソースモデルが直面する予期せぬ領域差を軽減するために,単一データセット統一一般化(SUG)フレームワークを提案する。
具体的には、まず、学習した表現をドメインに依存しない識別性に制約できるマルチグラニュアルサブドメインアライメント(MSA)法を設計する。
次にSDA(Sample-level Domain-Aware Attention)戦略を示し、異なるサブドメインから簡単に適応できるサンプルを選択的に強化する。
論文 参考訳（メタデータ） (2023-05-16T04:36:04Z) - An Unsupervised Domain Adaptive Approach for Multimodal 2D Object
Detection in Adverse Weather Conditions [5.217255784808035]
本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。
天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。
DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
論文 参考訳（メタデータ） (2022-03-07T18:10:40Z) - 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) - Multi-Source Domain Adaptation with Collaborative Learning for Semantic
Segmentation [32.95273803359897]
マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。
セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-08T12:51:42Z) - Cluster, Split, Fuse, and Update: Meta-Learning for Open Compound Domain
Adaptive Semantic Segmentation [102.42638795864178]
セマンティックセグメンテーションのための原則的メタラーニングに基づくOCDAアプローチを提案する。
対象ドメインを複数のサブターゲットドメインに,教師なしの方法で抽出した画像スタイルでクラスタリングする。
その後、メタラーニングがデプロイされ、スタイルコードに条件付きでサブターゲットドメイン固有の予測を融合するように学習される。
モデルに依存しないメタラーニング(MAML)アルゴリズムにより,モデルをオンライン更新することを学び,一般化をさらに改善する。
論文 参考訳（メタデータ） (2020-12-15T13:21:54Z) - FixBi: Bridging Domain Spaces for Unsupervised Domain Adaptation [26.929772844572213]
我々は、ソースとターゲットドメイン間の複数の中間ドメインを拡大するために、固定比に基づくミックスアップを導入する。
我々は、相補的な特性を持つソース支配モデルとターゲット支配モデルを訓練する。
提案手法により,モデルが対象ドメインに徐々にドメイン知識を伝達する。
論文 参考訳（メタデータ） (2020-11-18T11:58:19Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-03-29T04:31:43Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z)
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。