論文の概要: Multi-source adversarial transfer learning based on similar source domains with local features

• arxiv url: http://arxiv.org/abs/2305.19067v2
• Date: Thu, 29 Jun 2023 09:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 16:22:40.222021
• Title: Multi-source adversarial transfer learning based on similar source domains with local features
• Title（参考訳）: 局所的特徴を持つ類似のソースドメインに基づく多元逆伝達学習
• Authors: Yifu Zhang, Hongru Li, Shimeng Shi, Youqi Li, Jiansong Zhang
• Abstract要約: 場合によっては、全体的な類似したソースドメインを提供することは不可能であり、類似したローカル機能を持つソースドメインのみを提供することができる。 本稿では,ソースドメインと局所的特徴類似性に基づくマルチソース逆変換学習手法を提案する。 ソースドメインとターゲットドメインが局所的類似性しか持たない転送シナリオに対して,設計した転送学習が実現可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.638804642395107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer learning leverages knowledge from other domains and has been successful in many applications. Transfer learning methods rely on the overall similarity of the source and target domains. However, in some cases, it is impossible to provide an overall similar source domain, and only some source domains with similar local features can be provided. Can transfer learning be achieved? In this regard, we propose a multi-source adversarial transfer learning method based on local feature similarity to the source domain to handle transfer scenarios where the source and target domains have only local similarities. This method extracts transferable local features between a single source domain and the target domain through a sub-network. Specifically, the feature extractor of the sub-network is induced by the domain discriminator to learn transferable knowledge between the source domain and the target domain. The extracted features are then weighted by an attention module to suppress non-transferable local features while enhancing transferable local features. In order to ensure that the data from the target domain in different sub-networks in the same batch is exactly the same, we designed a multi-source domain independent strategy to provide the possibility for later local feature fusion to complete the key features required. In order to verify the effectiveness of the method, we made the dataset "Local Carvana Image Masking Dataset". Applying the proposed method to the image segmentation task of the proposed dataset achieves better transfer performance than other multi-source transfer learning methods. It is shown that the designed transfer learning method is feasible for transfer scenarios where the source and target domains have only local similarities.
• Abstract（参考訳）: 転送学習は他のドメインからの知識を活用し、多くのアプリケーションで成功している。 転送学習方法は、ソースとターゲットドメインの全体的な類似性に依存する。 しかし、場合によっては、全体的な類似のソースドメインを提供することは不可能であり、類似のローカル機能を持つソースドメインのみを提供することができる。 転校学習は可能か? 本稿では,ソース領域と対象領域が局所的類似性しか持たない転送シナリオを処理するために,ソース領域と局所的特徴類似性に基づく多元逆伝達学習手法を提案する。 サブネットワークを介して、単一ソースドメインと対象ドメイン間の転送可能なローカル特徴を抽出する。 具体的には、サブネットワークの特徴抽出器をドメイン判別器によって誘導し、ソースドメインとターゲットドメインとの間の転送可能な知識を学習する。 抽出した特徴をアテンションモジュールで重み付けし、非伝達可能な局所特徴を抑えるとともに、伝達可能な局所特徴を増強する。 同じバッチで異なるサブネットワーク内のターゲットドメインからのデータが全く同じであるように、我々は、後続のローカル機能融合が必要とされる重要な機能を完成させる可能性を提供するために、マルチソースドメイン独立戦略を設計しました。 本手法の有効性を検証するため,データセットを「局所カルバナ画像マスキングデータセット」とした。 提案手法を画像分割タスクに適用することで、他の複数ソース転送学習手法よりも優れた転送性能が得られる。 ソースドメインとターゲットドメインが局所的類似性しか持たない転送シナリオに対して,設計した転送学習が実現可能であることを示す。

関連論文リスト

• Phrase Grounding-based Style Transfer for Single-Domain Generalized Object Detection [109.58348694132091]
  単一ドメインの一般化オブジェクト検出は、複数の未確認対象ドメインに対するモデルの一般化性を高めることを目的としている。 これは、ターゲットのドメインデータをトレーニングに組み込むことなく、ドメインシフトに対処するモデルを必要とするため、実用的だが難しいタスクである。 そこで我々は,課題に対する新しい文節接頭辞に基づくスタイル伝達手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T10:48:43Z)
• Online Prototype Alignment for Few-shot Policy Transfer [18.310398679044244]
  本稿では,要素の機能的類似性に基づいてマッピング関数を学習する新しいフレームワークを提案する。 オンラインプロトタイプアライメント(OPA)は、わずか数回で数発のポリシー転送を達成できる。
  論文  参考訳（メタデータ） (2023-06-12T11:42:13Z)
• Label Distribution Learning for Generalizable Multi-source Person Re-identification [48.77206888171507]
  人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。 教師付きモデルを任意の未確認領域に直接適用することは困難である。 一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
  論文  参考訳（メタデータ） (2022-04-12T15:59:10Z)
• Multilevel Knowledge Transfer for Cross-Domain Object Detection [26.105283273950942]
  ドメインシフトは、特定のドメイン(ソース)でトレーニングされたモデルが、異なるドメイン(ターゲット)のサンプルに露出しても、うまく動作しない、よく知られた問題である。 本研究では,オブジェクト検出タスクにおける領域シフト問題に対処する。 私たちのアプローチは、ソースとターゲットドメイン間のドメインシフトを徐々に削除することに依存しています。
  論文  参考訳（メタデータ） (2021-08-02T15:24:40Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)
• 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)
• Cross-domain Self-supervised Learning for Domain Adaptation with Few Source Labels [78.95901454696158]
  ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。 本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
  論文  参考訳（メタデータ） (2020-03-18T15:11:07Z)
• Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
  マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。 複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。 4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2020-01-12T08:37:42Z)

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。