論文の概要: Smoothness Similarity Regularization for Few-Shot GAN Adaptation

• arxiv url: http://arxiv.org/abs/2308.09717v1
• Date: Fri, 18 Aug 2023 17:59:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 12:09:55.480298
• Title: Smoothness Similarity Regularization for Few-Shot GAN Adaptation
• Title（参考訳）: Few-Shot GAN適応のための滑らかな類似性正規化
• Authors: Vadim Sushko, Ruyu Wang, Juergen Gall
• Abstract要約: 本稿では,学習済みのGANの学習済みの滑らかさを少数ショット対象領域に伝達する,新しい滑らかさ類似性正規化を提案する。 我々は,無条件GANとクラス条件GANを多種多様な標的ドメインに適応させることにより,我々のアプローチを評価する。
• 参考スコア（独自算出の注目度）: 16.92497517282215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of few-shot GAN adaptation aims to adapt a pre-trained GAN model to a small dataset with very few training images. While existing methods perform well when the dataset for pre-training is structurally similar to the target dataset, the approaches suffer from training instabilities or memorization issues when the objects in the two domains have a very different structure. To mitigate this limitation, we propose a new smoothness similarity regularization that transfers the inherently learned smoothness of the pre-trained GAN to the few-shot target domain even if the two domains are very different. We evaluate our approach by adapting an unconditional and a class-conditional GAN to diverse few-shot target domains. Our proposed method significantly outperforms prior few-shot GAN adaptation methods in the challenging case of structurally dissimilar source-target domains, while performing on par with the state of the art for similar source-target domains.
• Abstract（参考訳）: 少数のGAN適応のタスクは、トレーニング済みのGANモデルを、ごく少数のトレーニングイメージを持つ小さなデータセットに適応することを目的としている。 事前トレーニング用のデータセットがターゲットデータセットと構造的に類似している場合、既存の手法はうまく機能するが、2つのドメインのオブジェクトが非常に異なる構造を持つ場合、アプローチはトレーニングの不安定さや記憶の問題に悩まされる。 この制限を緩和するために,2つのドメインが全く異なる場合でも,事前学習したGANの本質的に学習された滑らかさを少数ショット対象ドメインに転送する,新しい滑らかさ類似性正規化を提案する。 我々は,無条件GANとクラス条件GANを多種多様な標的ドメインに適応させることにより,我々のアプローチを評価する。 提案手法は, 類似するソースターゲットドメインの状況と同等の性能を保ちつつ, 構造的に異なるソースターゲットドメインの場合において, 事前のgan適応法を著しく上回っている。

関連論文リスト

• DARNet: Bridging Domain Gaps in Cross-Domain Few-Shot Segmentation with Dynamic Adaptation [20.979759016826378]
  Few-shot segmentation (FSS) は、ベースクラスからの少数のサポートイメージを使用することで、新しいクラスをクエリイメージにセグメントすることを目的としている。 クロスドメイン FSS では、リソース制約のあるドメインにラベルに富んだドメインの機能を活用することで、ドメインの相違による課題が生じる。 本研究は,CD-FSSの一般化と特異性を両立するDARNet法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T03:03:22Z)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• Domain Adaptation for Semantic Segmentation via Patch-Wise Contrastive Learning [62.7588467386166]
  ドメイン間で構造的に類似するラベルパッチの機能を調整することで、ドメインギャップを埋めるためにコントラスト学習を利用する。 私たちのアプローチは、常に2つの困難なドメイン適応セグメンテーションタスクにおいて、最先端の非監視および半監督メソッドを上回ります。
  論文  参考訳（メタデータ） (2021-04-22T13:39:12Z)
• 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)
• Exploiting Diverse Characteristics and Adversarial Ambivalence for Domain Adaptive Segmentation [20.13548631627542]
  新しいドメインにセマンティックセグメンテーションモデルを適用することは重要だが難しい問題だ。 特殊なプログレッシブな敵対的トレーニング機構と新しい自己訓練政策によって強化された条件付き適応フレームワークを提案する。 対象の画像が気象条件によって異なる様々な適応シナリオに対して,本手法を評価する。
  論文  参考訳（メタデータ） (2020-12-10T11:50:59Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる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ます。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。