論文の概要: Weight-based Mask for Domain Adaptation

• arxiv url: http://arxiv.org/abs/2304.11479v1
• Date: Sat, 22 Apr 2023 20:51:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 18:10:43.802763
• Title: Weight-based Mask for Domain Adaptation
• Title（参考訳）: 重みに基づく領域適応型マスク
• Authors: Eunseop Lee, Inhan Kim and Daijin Kim
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt、UDA)は、ラベル豊富なソースドメインから完全にラベル付けされていないターゲットドメインへ知識を転送するアプローチである。 本稿では,ドメインIgnore Module (DIM) とSemantic Enhancement Module (SEM) から構成されるWeight-based Mask Network (WEMNet) を紹介する。 WEMNetは、代表的UDAデータセットの競合精度より優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.817571805550219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computer vision, unsupervised domain adaptation (UDA) is an approach to transferring knowledge from a label-rich source domain to a fully-unlabeled target domain. Conventional UDA approaches have two problems. The first problem is that a class classifier can be biased to the source domain because it is trained using only source samples. The second is that previous approaches align image-level features regardless of foreground and background, although the classifier requires foreground features. To solve these problems, we introduce Weight-based Mask Network (WEMNet) composed of Domain Ignore Module (DIM) and Semantic Enhancement Module (SEM). DIM obtains domain-agnostic feature representations via the weight of the domain discriminator and predicts categories. In addition, SEM obtains class-related feature representations using the classifier weight and focuses on the foreground features for domain adaptation. Extensive experimental results reveal that the proposed WEMNet outperforms the competitive accuracy on representative UDA datasets.
• Abstract（参考訳）: コンピュータビジョンにおいて、unsupervised domain adaptation (UDA) は、ラベル豊富なソースドメインから完全にラベルのないターゲットドメインへ知識を転送するアプローチである。 従来のUDAアプローチには2つの問題がある。 最初の問題は、クラス分類器がソースサンプルのみを使用してトレーニングされるため、ソースドメインに偏る可能性があることである。 2つめは、前景と背景に関係なく、以前のアプローチが画像レベルの特徴を調整することだが、分類器は前景機能を必要とする。 これらの問題を解決するために,ドメインIgnore Module (DIM) とSemantic Enhancement Module (SEM) からなるWeight-based Mask Network (WEMNet) を導入する。 DIMはドメイン識別器の重みによってドメインに依存しない特徴表現を取得し、カテゴリを予測する。 さらに、SEMは分類器重みを用いたクラス関連特徴表現を取得し、ドメイン適応のための前景特徴に焦点を当てる。 大規模な実験結果から,提案したWEMNetは,UDAデータセットの競合精度より優れていた。

関連論文リスト

• Multi-Source Domain Adaptation for Object Detection with Prototype-based Mean-teacher [11.616494893839757]
  視覚オブジェクト検出器を操作対象領域に適応させることは難しい課題であり、一般には教師なし領域適応(UDA)法を用いて達成される。 近年の研究では、ラベル付きデータセットが複数のソースドメインから来ると、それらを別々のドメインとして扱うことで、これらのソースドメインをブレンドしてUDAを実行するよりも正確性と堅牢性を向上させることが示されている。 本稿では,ドメイン特化情報の代わりにクラスプロトタイプを用いてドメイン特化情報をエンコードする,プロトタイプベース平均教師(PMT)と呼ばれる新しいMSDA手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:08:03Z)
• 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)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Domain Adaptation via Prompt Learning [39.97105851723885]
  Unsupervised Domain Adaption (UDA) は、十分にアノテーションされたソースドメインから学習したモデルをターゲットドメインに適応させることを目的としている。 我々は,Prompt Learning (DAPL) によるドメイン適応という,UDAのための新しいプロンプト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2022-02-14T13:25:46Z)
• Domain Attention Consistency for Multi-Source Domain Adaptation [100.25573559447551]
  主な設計は、伝達可能な特徴(属性)を識別することを目的とした機能チャネルアテンションモジュールである。 3つのMSDAベンチマーク実験により、DAC-Netは、それらすべてに対して、新たなパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2021-11-06T15:56:53Z)
• CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation [44.06904757181245]
  Unsupervised domain adapt (UDA) は、ラベル付きソースドメインから異なる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を目的としている。 カテゴリレベルに基づくUDAの根本的な問題は、ターゲットドメインのサンプル用の擬似ラベルの生成である。 我々は,対象サンプルの擬似ラベルを生成するために,双方向中心認識ラベルアルゴリズムを設計する。 擬似ラベルとともに、ソース/ターゲット特徴学習とソース/ターゲット領域アライメントに自己アテンションとクロスアテンションを適用するために、ウェイトシェアリング・トリプルブランチ・トランスフォーマー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-13T17:59:07Z)
• 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)
• 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)
• Adversarial Training Based Multi-Source Unsupervised Domain Adaptation for Sentiment Analysis [19.05317868659781]
  感情分析のためのマルチソース領域適応手法に基づく2つの伝達学習フレームワークを提案する。 最初のフレームワークは、新しいWeighting Schemeベースのunsupervised Domain Adaptation framework (WS-UDA)で、ソース分類器を組み合わせてターゲットインスタンスの擬似ラベルを取得する。 2つめのフレームワークは、2段階トレーニングベースの教師なしドメイン適応フレームワーク(2ST-UDA)である。
  論文  参考訳（メタデータ） (2020-06-10T01:41:00Z)
• 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。