論文の概要: Strong-Weak Integrated Semi-supervision for Unsupervised Single and Multi Target Domain Adaptation

• arxiv url: http://arxiv.org/abs/2309.06528v1
• Date: Tue, 12 Sep 2023 19:08:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 16:30:41.433460
• Title: Strong-Weak Integrated Semi-supervision for Unsupervised Single and Multi Target Domain Adaptation
• Title（参考訳）: 教師なしとマルチターゲットドメイン適応のための強弱統合セミスーパービジョン
• Authors: Xiaohu Lu and Hayder Radha
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインで学んだ知識をラベル付きターゲットドメインに転送することに焦点を当てている。 本稿では,画像分類のためのSWISS学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 6.472434306724611
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised domain adaptation (UDA) focuses on transferring knowledge learned in the labeled source domain to the unlabeled target domain. Despite significant progress that has been achieved in single-target domain adaptation for image classification in recent years, the extension from single-target to multi-target domain adaptation is still a largely unexplored problem area. In general, unsupervised domain adaptation faces a major challenge when attempting to learn reliable information from a single unlabeled target domain. Increasing the number of unlabeled target domains further exacerbate the problem rather significantly. In this paper, we propose a novel strong-weak integrated semi-supervision (SWISS) learning strategy for image classification using unsupervised domain adaptation that works well for both single-target and multi-target scenarios. Under the proposed SWISS-UDA framework, a strong representative set with high confidence but low diversity target domain samples and a weak representative set with low confidence but high diversity target domain samples are updated constantly during the training process. Both sets are fused to generate an augmented strong-weak training batch with pseudo-labels to train the network during every iteration. The extension from single-target to multi-target domain adaptation is accomplished by exploring the class-wise distance relationship between domains and replacing the strong representative set with much stronger samples from peer domains via peer scaffolding. Moreover, a novel adversarial logit loss is proposed to reduce the intra-class divergence between source and target domains, which is back-propagated adversarially with a gradient reverse layer between the classifier and the rest of the network. Experimental results based on three benchmarks, Office-31, Office-Home, and DomainNet, show the effectiveness of the proposed SWISS framework.
• Abstract（参考訳）: unsupervised domain adaptation (uda) はラベル付きソースドメインで学習された知識をラベルなしターゲットドメインに転送することに焦点を当てている。 近年、画像分類のための単一ターゲット領域適応において大きな進歩があったが、単一ターゲット領域適応から多ターゲット領域適応への拡張はいまだに未解明の領域である。 一般に、教師なしのドメイン適応は、単一のラベルのないターゲットドメインから信頼できる情報を学習しようとする場合、大きな課題に直面します。 ラベルのないターゲットドメインの数が増加すると、この問題はさらに悪化する。 本稿では,単目的シナリオと多目的シナリオの両方でうまく機能する,教師なし領域適応を用いた画像分類のための強弱統合半スーパービジョン(swiss)学習戦略を提案する。 提案したSWISS-UDAフレームワークでは,信頼性が高いが多様性が低い対象ドメインの強い代表セットと信頼性が低いが多様性が低い対象ドメインの弱い代表セットをトレーニングプロセス中に常に更新する。 どちらのセットも融合して、擬似ラベルで強化された強弱トレーニングバッチを生成し、イテレーション毎にネットワークをトレーニングする。 シングルターゲットからマルチターゲットドメインへの適応の延長は、ドメイン間のクラス間距離関係を探索し、ピアスキャフォールディングを通じて、ピアドメインの強い代表集合をより強力なサンプルに置き換えることで達成される。 さらに,新たな対向ロジット損失が提案され,ソースドメインとターゲットドメイン間のクラス内ばらつきを低減し,分類器とネットワークの他の部分の間の勾配逆層と逆方向に逆転する。 Office-31、Office-Home、DomainNetの3つのベンチマークに基づく実験結果は、提案されたSWISSフレームワークの有効性を示している。

関連論文リスト

• Contrastive Adversarial Training for Unsupervised Domain Adaptation [2.432037584128226]
  様々なドメイン適応タスクにおいて、ドメイン逆行訓練がうまく採用されている。 大規模なモデルでは、敵のトレーニングがソースドメインに偏りやすく、ターゲットドメインにはほとんど適応しない。 本稿では、ラベル付きソースドメインのサンプルを利用して、ターゲットドメインの機能生成を強化・調整するコントラッシブ・逆行訓練(CAT)手法を提案する。
  論文  参考訳（メタデータ） (2024-07-17T17:59:21Z)
• Revisiting the Domain Shift and Sample Uncertainty in Multi-source Active Domain Transfer [69.82229895838577]
  Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。 この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。 これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
  論文  参考訳（メタデータ） (2023-11-21T13:12:21Z)
• Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
  本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。 我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。 本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:04:47Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• From Big to Small: Adaptive Learning to Partial-Set Domains [94.92635970450578]
  ドメイン適応は、分布シフト中のラベル付きソースドメインからラベルなしターゲットドメインへの知識獲得と普及を目標とする。 近年の進歩は、大規模の深層学習モデルにより、小規模の下流の多様な課題に取り組むための豊富な知識が得られていることを示している。 本稿では,学習パラダイムである部分領域適応(Partial Domain Adaptation, PDA)を紹介する。
  論文  参考訳（メタデータ） (2022-03-14T07:02:45Z)
• Reiterative Domain Aware Multi-target Adaptation [14.352214079374463]
  本稿では,各対象領域を複数回繰り返して適応性能を向上させるReiterative D-CGCT(RD-CGCT)を提案する。 RD-CGCTは、Office-HomeおよびOffice31データセットのD-CGCTよりも大幅に性能を向上する。
  論文  参考訳（メタデータ） (2021-08-26T17:12:25Z)
• Multi-Target Adversarial Frameworks for Domain Adaptation in Semantic Segmentation [32.39557675340562]
  複数の対象ドメインが存在する場合のセマンティックセグメンテーションにおける教師なしドメイン適応(UDA)の課題に対処する。 i) 対象ドメインを対象ドメインに明示的にアライメントするマルチ識別器と,(ii) 対象非依存モデルを学ぶマルチターゲット知識伝達という2つの逆方向のフレームワークを導入する。 すべてのテストシナリオにおいて、我々のアプローチはベースラインを一貫して上回り、新しいタスクの競争標準を設定します。
  論文  参考訳（メタデータ） (2021-08-16T08:36:10Z)
• CLDA: Contrastive Learning for Semi-Supervised Domain Adaptation [1.2691047660244335]
  Unsupervised Domain Adaptation (UDA) は、ラベル付きソース分布とラベル付きターゲット分布との整合を目標とし、ドメイン不変な予測モデルを得る。 半教師付きドメイン適応(CLDA)のためのコントラスト学習フレームワークを提案する。 CLDAは上記のすべてのデータセットに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2021-06-30T20:23:19Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation [70.45936509510528]
  部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。 ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。 ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
  論文  参考訳（メタデータ） (2020-08-26T03:18:53Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。