論文の概要: Imbalance-Agnostic Source-Free Domain Adaptation via Avatar Prototype Alignment

• arxiv url: http://arxiv.org/abs/2305.12649v1
• Date: Mon, 22 May 2023 02:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 18:57:34.761559
• Title: Imbalance-Agnostic Source-Free Domain Adaptation via Avatar Prototype Alignment
• Title（参考訳）: アバタープロトタイプアライメントによる不均衡なソースフリードメイン適応
• Authors: Hongbin Lin, Mingkui Tan, Yifan Zhang, Zhen Qiu, Shuaicheng Niu, Dong Liu, Qing Du and Yanxia Liu
• Abstract要約: Source-free Unsupervised Domain Adaptation (SF-UDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインに適応することを目的としている。 本稿では,ソースアバターのプロトタイプを生成するために,コントラシティブなプロトタイプ生成と適応(CPGA)手法を提案する。 実験により,T-CPGAは他のSF-UDA法よりも有意な性能を示した。
• 参考スコア（独自算出の注目度）: 45.356399249491545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-free Unsupervised Domain Adaptation (SF-UDA) aims to adapt a well-trained source model to an unlabeled target domain without access to the source data. One key challenge is the lack of source data during domain adaptation. To handle this, we propose to mine the hidden knowledge of the source model and exploit it to generate source avatar prototypes. To this end, we propose a Contrastive Prototype Generation and Adaptation (CPGA) method. CPGA consists of two stages: Prototype generation and Prototype adaptation. Extensive experiments on three UDA benchmark datasets demonstrate the superiority of CPGA. However, existing SF.UDA studies implicitly assume balanced class distributions for both the source and target domains, which hinders their real applications. To address this issue, we study a more practical SF-UDA task, termed imbalance-agnostic SF-UDA, where the class distributions of both the unseen source domain and unlabeled target domain are unknown and could be arbitrarily skewed. This task is much more challenging than vanilla SF-UDA due to the co-occurrence of covariate shifts and unidentified class distribution shifts between the source and target domains. To address this task, we extend CPGA and propose a new Target-aware Contrastive Prototype Generation and Adaptation (T-CPGA) method. Specifically, for better prototype adaptation in the imbalance-agnostic scenario, T-CPGA applies a new pseudo label generation strategy to identify unknown target class distribution and generate accurate pseudo labels, by utilizing the collective intelligence of the source model and an additional contrastive language-image pre-trained model. Meanwhile, we further devise a target label-distribution-aware classifier to adapt the model to the unknown target class distribution. We empirically show that T-CPGA significantly outperforms CPGA and other SF-UDA methods in imbalance-agnostic SF-UDA.
• Abstract（参考訳）: Source-free Unsupervised Domain Adaptation (SF-UDA)は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインに適応することを目的としている。 重要な課題の1つは、ドメイン適応中にソースデータの欠如である。 これに対処するために,ソースモデルの隠れた知識を発掘し,それを利用してソースアバターのプロトタイプを生成することを提案する。 そこで本研究では,CPGA(Contrastive Prototype Generation and Adaptation)法を提案する。 CPGAはプロトタイプ生成とプロトタイプ適応の2つの段階からなる。 3つのUDAベンチマークデータセットに対する大規模な実験は、CPGAの優位性を示している。 しかし、既存のSF.UDA研究は、ソースドメインとターゲットドメインの両方のバランスの取れたクラス分布を暗黙的に仮定し、実際のアプリケーションを妨げる。 この問題に対処するために、未確認のソースドメインと未ラベルのターゲットドメインの両方のクラス分布が不明であり、任意にスキューされるような、非バランスに依存しないSF-UDAタスクについて検討する。 このタスクは、ソースとターゲットドメイン間の共変量シフトと未同定クラス分散シフトの共起のため、バニラSF-UDAよりもはるかに難しい。 この課題に対処するため,CPGAを拡張し,T-CPGA(Target-aware Contrastive Prototype Generation and Adaptation)法を提案する。 具体的には、T-CPGAは、未知のターゲットクラス分布を特定し、正確な擬似ラベルを生成するための新しい擬似ラベル生成戦略を適用し、ソースモデルの集合的インテリジェンスと、追加のコントラスト言語-画像事前訓練モデルを利用する。 一方、未知のターゲットクラス分布にモデルを適応させるために、ターゲットラベル対応分類器を考案する。 実験により,T-CPGAは不均衡を伴わないSF-UDA法でCPGAと他のSF-UDA法より有意に優れていた。

関連論文リスト

• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• 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)
• BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation [74.93176783541332]
  Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。 ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。 SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-06T13:23:02Z)
• Source-free Domain Adaptation via Avatar Prototype Generation and Adaptation [34.45208248728318]
  データプライバシの問題により、ソースドメインデータにアクセスできない、実用的なドメイン適応タスクについて検討する。 ソースデータとターゲットドメインラベルの欠如は、モデル適応を非常に困難にします。 本稿では,ソースモデルに隠れた知識を活用するために,CPGA法を提案する。
  論文  参考訳（メタデータ） (2021-06-18T08:30:54Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)

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。