論文の概要: Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2309.14360v1
• Date: Sat, 23 Sep 2023 07:09:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-09-27 16:55:09.075822
• Title: Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のためのドメイン誘導条件拡散モデル
• Authors: Yulong Zhang, Shuhao Chen, Weisen Jiang, Yu Zhang, Jiangang Lu, and James T. Kwok
• Abstract要約: 本研究では,DomAin-guided Conditional Diffusion Model (DACDM)を提案する。 生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つため、転送性能が向上する。
• 参考スコア（独自算出の注目度）: 23.668005880581248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Limited transferability hinders the performance of deep learning models when applied to new application scenarios. Recently, Unsupervised Domain Adaptation (UDA) has achieved significant progress in addressing this issue via learning domain-invariant features. However, the performance of existing UDA methods is constrained by the large domain shift and limited target domain data. To alleviate these issues, we propose DomAin-guided Conditional Diffusion Model (DACDM) to generate high-fidelity and diversity samples for the target domain. In the proposed DACDM, by introducing class information, the labels of generated samples can be controlled, and a domain classifier is further introduced in DACDM to guide the generated samples for the target domain. The generated samples help existing UDA methods transfer from the source domain to the target domain more easily, thus improving the transfer performance. Extensive experiments on various benchmarks demonstrate that DACDM brings a large improvement to the performance of existing UDA methods.
• Abstract（参考訳）: 限られた転送性は、新しいアプリケーションシナリオに適用した場合、ディープラーニングモデルのパフォーマンスを妨げる。 最近、Unsupervised Domain Adaptation (UDA)はドメイン不変の機能を学ぶことでこの問題に対処する上で大きな進歩を遂げている。 しかし、既存のUDAメソッドの性能は、大きなドメインシフトと限られたターゲットドメインデータによって制約される。 この問題を軽減するために,対象領域に対して高い忠実度と多様性のサンプルを生成するために,dacdm(domain-guided conditional diffusion model)を提案する。 提案したDACDMでは、クラス情報を導入することにより、生成されたサンプルのラベルを制御でき、さらにDACDMにドメイン分類器を導入して、生成されたサンプルを対象ドメインに誘導する。 生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つ。 様々なベンチマーク実験により、DACDMは既存のUDAメソッドの性能に大きな改善をもたらすことが示された。

関連論文リスト

• 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)
• Unsupervised Domain Adaptation via Domain-Adaptive Diffusion [31.802163238282343]
  非教師付きドメイン適応(UDA)は、ソースドメインとターゲットドメインの間に大きな分散不一致があるため、非常に難しい。 大規模なギャップをまたいでデータ分散を段階的に変換する能力を持つ拡散モデルに着想を得て,その課題に対処する拡散手法について検討する。 提案手法は, 広く使用されている3つのUDAデータセットに対して, 現在の最先端技術よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2023-08-26T14:28:18Z)
• AVATAR: Adversarial self-superVised domain Adaptation network for TARget domain [11.764601181046496]
  本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。 本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。 提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-28T20:31:56Z)
• Diffusion-based Target Sampler for Unsupervised Domain Adaptation [5.025971841729201]
  大きなドメインシフトと対象ドメインのサンプル不足により、既存のUDAメソッドは最適以下のパフォーマンスを実現する。 そこで我々はDTS(Diffusion-based Target Sampler)を提案する。 生成されたサンプルは、ターゲットドメインのデータ分布を十分にシミュレートすることができ、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つ。
  論文  参考訳（メタデータ） (2023-03-17T02:07:43Z)
• A Novel Mix-normalization Method for Generalizable Multi-source Person Re-identification [49.548815417844786]
  人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。 モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。 ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
  論文  参考訳（メタデータ） (2022-01-24T18:09:38Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• A New Bidirectional Unsupervised Domain Adaptation Segmentation Framework [27.13101555533594]
  異なるドメイン間のギャップを埋めるために、教師なしドメイン適応(UDA)技術が提案されている。 本稿では,両方向のUDA演奏に対して,非交互表現学習に基づく双方向UDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-18T05:25:11Z)
• ConDA: Continual Unsupervised Domain Adaptation [0.0]
  ドメイン適応(DA)技術は、トレーニングに使用されるソースドメインとテストが行われるターゲットドメインの間のドメインシフトを克服するために重要です。 現在のDAメソッドは、適応中にターゲットドメイン全体が利用可能であると仮定しています。 本稿では、より現実的なシナリオを検討し、より小さなバッチでターゲットデータが利用可能になり、ターゲットドメイン全体への適応は実現不可能である。
  論文  参考訳（メタデータ） (2021-03-19T23:20:41Z)
• Class-Incremental Domain Adaptation [56.72064953133832]
  私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。 既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。 提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2020-08-04T07:55:03Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)
• Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [53.656086832255944]
  マルチソースドメイン適応(MDA)は、ラベル付きデータを複数のソースから収集できる強力な拡張である。 MDAは学術と産業の両方で注目を集めている。
  論文  参考訳（メタデータ） (2020-02-26T08:07:58Z)

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。