論文の概要: Pseudo-Trilateral Adversarial Training for Domain Adaptive
Traversability Prediction
- arxiv url: http://arxiv.org/abs/2306.14370v1
- Date: Mon, 26 Jun 2023 00:39:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 15:13:45.821241
- Title: Pseudo-Trilateral Adversarial Training for Domain Adaptive
Traversability Prediction
- Title(参考訳): ドメイン適応的トラバーサビリティ予測のための擬似三元交叉訓練
- Authors: Zheng Chen, Durgakant Pushp, Jason M. Gregory, Lantao Liu
- Abstract要約: トラバーサビリティ予測は、自律ナビゲーションの基本的な認識能力である。
非教師なしドメイン適応(UDA)を行うために、粗大なアライメント(CALI)を採用する新しい知覚モデルを提案する。
いくつかの挑戦的なドメイン適応設定において、提案したモデルが複数のベースラインよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 8.145900996884993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traversability prediction is a fundamental perception capability for
autonomous navigation. Deep neural networks (DNNs) have been widely used to
predict traversability during the last decade. The performance of DNNs is
significantly boosted by exploiting a large amount of data. However, the
diversity of data in different domains imposes significant gaps in the
prediction performance. In this work, we make efforts to reduce the gaps by
proposing a novel pseudo-trilateral adversarial model that adopts a
coarse-to-fine alignment (CALI) to perform unsupervised domain adaptation
(UDA). Our aim is to transfer the perception model with high data efficiency,
eliminate the prohibitively expensive data labeling, and improve the
generalization capability during the adaptation from easy-to-access source
domains to various challenging target domains. Existing UDA methods usually
adopt a bilateral zero-sum game structure. We prove that our CALI model -- a
pseudo-trilateral game structure is advantageous over existing bilateral game
structures. This proposed work bridges theoretical analyses and algorithm
designs, leading to an efficient UDA model with easy and stable training. We
further develop a variant of CALI -- Informed CALI (ICALI), which is inspired
by the recent success of mixup data augmentation techniques and mixes
informative regions based on the results of CALI. This mixture step provides an
explicit bridging between the two domains and exposes underperforming classes
more during training. We show the superiorities of our proposed models over
multiple baselines in several challenging domain adaptation setups. To further
validate the effectiveness of our proposed models, we then combine our
perception model with a visual planner to build a navigation system and show
the high reliability of our model in complex natural environments.
- Abstract(参考訳): トラバーサビリティ予測は自律ナビゲーションの基本的な認識能力である。
ディープニューラルネットワーク(DNN)は、過去10年間、トラバーサビリティを予測するために広く使われてきた。
DNNのパフォーマンスは、大量のデータを活用することで大幅に向上する。
しかし、異なる領域におけるデータの多様性は予測性能に大きなギャップを生じさせる。
本研究では,非教師付きドメイン適応(UDA)を実現するために,粗大なアライメント(CALI)を採用した新しい擬三元対角モデルを提案する。
本研究の目的は,高効率で認識モデルを転送し,高額なデータラベリングを排除し,アクセスが容易なソースドメインから様々な挑戦対象ドメインへの適応時の一般化能力を向上させることである。
既存のUDAメソッドは通常、両側のゼロサムゲーム構造を採用する。
擬似三角形ゲーム構造であるCALIモデルは、既存の二角形ゲーム構造よりも有利であることを示す。
この提案は理論的解析とアルゴリズム設計を橋渡しし、容易で安定したトレーニングを持つ効率的なudaモデルへと繋がる。
さらに,CALIの変種であるInformed CALI (ICALI) を開発し,CALIの結果に基づいて情報領域を混合するデータ拡張手法の最近の成功にインスパイアされた。
この混合ステップは、2つのドメイン間の明示的なブリッジを提供し、トレーニング中にパフォーマンスの低いクラスを公開する。
複数のドメイン適応セットアップにおいて,提案モデルが複数のベースラインに対して優れていることを示す。
提案モデルの有効性をさらに検証するために,視覚プランナーと知覚モデルを組み合わせることでナビゲーションシステムを構築し,複雑な自然環境におけるモデルの信頼性を示す。
関連論文リスト
- DRIVE: Dual-Robustness via Information Variability and Entropic Consistency in Source-Free Unsupervised Domain Adaptation [10.127634263641877]
ラベル付きデータなしで機械学習モデルを新しいドメインに適応させることは、医療画像、自律運転、リモートセンシングといったアプリケーションにおいて重要な課題である。
Source-Free Unsupervised Domain Adaptation (SFUDA)と呼ばれるこのタスクでは、未ラベルのターゲットデータのみを使用して、トレーニング済みのモデルをターゲットドメインに適応させる。
既存のSFUDAメソッドは、しばしば単一モデルアーキテクチャに依存し、ターゲットドメインにおける不確実性と可変性に悩まされる。
本稿では、2重モデルアーキテクチャを利用した新しいSFUDAフレームワークDRIVEを提案する。
論文 参考訳(メタデータ) (2024-11-24T20:35:04Z) - ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。
我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。
提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-07T11:18:53Z) - CNN Feature Map Augmentation for Single-Source Domain Generalization [6.053629733936548]
ドメイン・ジェネリゼーション(DG)はここ数年で大きな注目を集めている。
DGの目標は、トレーニング中に利用可能なものと異なるデータ分散を提示した場合、引き続き正常に機能するモデルを作成することだ。
単一ソースDG画像分類設定における畳み込みニューラルネットワークアーキテクチャの代替正則化手法を提案する。
論文 参考訳(メタデータ) (2023-05-26T08:48:17Z) - CAusal and collaborative proxy-tasKs lEarning for Semi-Supervised Domain
Adaptation [20.589323508870592]
半教師付きドメイン適応(SSDA)は、ソースドメインデータとラベル付きターゲットサンプルを効果的に活用することにより、学習者を新しいドメインに適応させる。
提案手法は,SSDAデータセットの有効性と汎用性の観点から,SOTA法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-30T16:48:28Z) - Boosting the Generalization Capability in Cross-Domain Few-shot Learning
via Noise-enhanced Supervised Autoencoder [23.860842627883187]
我々は、新しいノイズ強調型教師付きオートエンコーダ(NSAE)を用いて、特徴分布のより広範なバリエーションを捉えるようモデルに教える。
NSAEは入力を共同で再構築し、入力のラベルと再構成されたペアを予測することによってモデルを訓練する。
また、NSAE構造を利用して、より適応性を高め、対象領域の分類性能を向上させる2段階の微調整手順を提案する。
論文 参考訳(メタデータ) (2021-08-11T04:45:56Z) - Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。
そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。
提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
論文 参考訳(メタデータ) (2021-06-07T08:38:41Z) - Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate
Prediction [76.98616102965023]
クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。
本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
論文 参考訳(メタデータ) (2021-06-05T01:21:21Z) - Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。
具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。
本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
論文 参考訳(メタデータ) (2020-10-23T06:29:09Z) - Decomposed Adversarial Learned Inference [118.27187231452852]
我々は,DALI(Decomposed Adversarial Learned Inference)という新しいアプローチを提案する。
DALIは、データ空間とコード空間の両方の事前および条件分布を明示的に一致させる。
MNIST, CIFAR-10, CelebAデータセットにおけるDALIの有効性を検証する。
論文 参考訳(メタデータ) (2020-04-21T20:00:35Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳(メタデータ) (2020-03-10T03:10:41Z)
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。