論文の概要: DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive
Crowd Counting
- arxiv url: http://arxiv.org/abs/2308.05311v1
- Date: Thu, 10 Aug 2023 02:59:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 14:00:12.917397
- Title: DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive
Crowd Counting
- Title(参考訳): DAOT: ドメイン適応型クラウドカウントのためのドメイン非依存の最適トランスポート
- Authors: Huilin Zhu, Jingling Yuan, Xian Zhong, Zhengwei Yang, Zheng Wang, and
Shengfeng He
- Abstract要約: ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。
既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。
ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
- 参考スコア(独自算出の注目度): 35.83485358725357
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Domain adaptation is commonly employed in crowd counting to bridge the domain
gaps between different datasets. However, existing domain adaptation methods
tend to focus on inter-dataset differences while overlooking the
intra-differences within the same dataset, leading to additional learning
ambiguities. These domain-agnostic factors, e.g., density, surveillance
perspective, and scale, can cause significant in-domain variations, and the
misalignment of these factors across domains can lead to a drop in performance
in cross-domain crowd counting. To address this issue, we propose a
Domain-agnostically Aligned Optimal Transport (DAOT) strategy that aligns
domain-agnostic factors between domains. The DAOT consists of three steps.
First, individual-level differences in domain-agnostic factors are measured
using structural similarity (SSIM). Second, the optimal transfer (OT) strategy
is employed to smooth out these differences and find the optimal
domain-to-domain misalignment, with outlier individuals removed via a virtual
"dustbin" column. Third, knowledge is transferred based on the aligned
domain-agnostic factors, and the model is retrained for domain adaptation to
bridge the gap across domains. We conduct extensive experiments on five
standard crowd-counting benchmarks and demonstrate that the proposed method has
strong generalizability across diverse datasets. Our code will be available at:
https://github.com/HopooLinZ/DAOT/.
- Abstract(参考訳): ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。
しかし、既存のドメイン適応法はデータセット間の差異に焦点を合わせ、同じデータセット内の差分を無視し、追加の学習あいまいさをもたらす傾向がある。
これらのドメインに依存しない要因、例えば、密度、監視視点、スケールは、ドメイン内の大きなバリエーションを引き起こし、ドメイン間でのこれらの要因の調整ミスは、クロスドメインの群衆カウントのパフォーマンスの低下につながる。
この問題に対処するために、ドメインに依存しない要素をドメイン間で整合させるドメインに依存しない最適輸送(DAOT)戦略を提案する。
DAOTは3つのステップで構成される。
まず、構造的類似性(ssim)を用いて、ドメイン非依存因子の個人レベル差を測定する。
第二に, 最適伝達(ot)戦略を用いて, これらの差異を平滑化し, 最適ドメイン間ミスアライメントを見いだし, 外れた個人を仮想"ダストビン"カラムで除去する。
第三に、知識は整合したドメインに依存しない因子に基づいて伝達され、モデルはドメイン間のギャップを埋めるためにドメイン適応のために再訓練される。
提案手法は,5つの標準クラウドカウンティングベンチマークにおいて広範な実験を行い,多種多様なデータセットにまたがる強い一般化性を示す。
私たちのコードは、https://github.com/hopoolinz/daot/で利用可能です。
関連論文リスト
- Domain Generalization via Causal Adjustment for Cross-Domain Sentiment
Analysis [59.73582306457387]
クロスドメイン感情分析における領域一般化の問題に焦点をあてる。
本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。
一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
論文 参考訳(メタデータ) (2024-02-22T13:26:56Z) - Making the Best of Both Worlds: A Domain-Oriented Transformer for
Unsupervised Domain Adaptation [31.150256154504696]
Unsupervised Domain Adaptation (UDA)は、限られた実験データセットから現実の制約のないドメインへのディープラーニングの展開を促進する。
ほとんどのUDAアプローチは、共通の埋め込み空間内の機能を整列させ、ターゲット予測に共有分類器を適用する。
本稿では,異なる領域に着目した2つの個別空間における特徴アライメントを同時に実施し,各領域に対してドメイン指向の分類器を作成することを提案する。
論文 参考訳(メタデータ) (2022-08-02T01:38:37Z) - Domain Generalization via Selective Consistency Regularization for Time
Series Classification [16.338176636365752]
ドメイン一般化手法は、限られた数のソースドメインからのデータで、ドメインシフトに頑健なモデルを学習することを目的としている。
本稿では,ソースドメイン間の予測一貫性を選択的に適用する表現学習手法を提案する。
論文 参考訳(メタデータ) (2022-06-16T01:57:35Z) - Domain Adaptation for Sentiment Analysis Using Increased Intraclass
Separation [31.410122245232373]
ドメイン間感情分析手法は注目されている。
埋め込み空間における異なるクラス間の大きなマージンを誘導する新しい領域適応法を提案する。
この埋め込み空間は、ドメイン間のデータ分散をマッチングすることによって、ドメインに依存しないように訓練される。
論文 参考訳(メタデータ) (2021-07-04T11:39:12Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていない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。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳(メタデータ) (2021-06-10T06:32:30Z) - Cross-Domain Grouping and Alignment for Domain Adaptive Semantic
Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。
学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。
本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文 参考訳(メタデータ) (2020-12-15T11:36:21Z) - Improved Multi-Source Domain Adaptation by Preservation of Factors [0.0]
ドメイン適応(DA)は、ディープニューラルネットワークによる画像分類に関して、非常に関連する研究トピックである。
本稿では,現実のシーンが一般的に画像に現れる視覚的要因の理論に基づいて述べる。
異なるドメインはドメイン内で一貫した値を持つが、ドメイン間で変更できるいわゆるドメインファクターによって記述できることを示す。
論文 参考訳(メタデータ) (2020-10-15T14:19:57Z) - Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。
本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。
我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
論文 参考訳(メタデータ) (2020-07-17T22:05:09Z) - 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) - Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。
既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。
我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-08T14:20:24Z)
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。