論文の概要: Memory-Assisted Sub-Prototype Mining for Universal Domain Adaptation
- arxiv url: http://arxiv.org/abs/2310.05453v2
- Date: Mon, 5 Feb 2024 16:27:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 04:41:50.128234
- Title: Memory-Assisted Sub-Prototype Mining for Universal Domain Adaptation
- Title（参考訳）: ユニバーサルドメイン適応のためのメモリ支援サブプロトタイプマイニング
- Authors: Yuxiang Lai (1 and 2), Yi Zhou (1 and 2), Xinghong Liu (1 and 2), Tao
Zhou (3) ((1) School of Computer Science and Engineering, Southeast
University, China (2) Key Laboratory of New Generation Artificial
Intelligence Technology and Its Interdisciplinary Applications (Southeast
University), Ministry of Education, China (3) School of Computer Science and
Engineering, Nanjing University of Science and Technology, China)
- Abstract要約: 我々は,同じカテゴリに属するサンプルとマイニングサブクラスの違いを学習するために,メモリ支援サブプロトタイプマイニング(MemSPM)法を提案する。
提案手法は,ほとんどの場合,4つのベンチマークで最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 1.0378170922518888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Universal domain adaptation aims to align the classes and reduce the feature
gap between the same category of the source and target domains. The target
private category is set as the unknown class during the adaptation process, as
it is not included in the source domain. However, most existing methods
overlook the intra-class structure within a category, especially in cases where
there exists significant concept shift between the samples belonging to the
same category. When samples with large concept shift are forced to be pushed
together, it may negatively affect the adaptation performance. Moreover, from
the interpretability aspect, it is unreasonable to align visual features with
significant differences, such as fighter jets and civil aircraft, into the same
category. Unfortunately, due to such semantic ambiguity and annotation cost,
categories are not always classified in detail, making it difficult for the
model to perform precise adaptation. To address these issues, we propose a
novel Memory-Assisted Sub-Prototype Mining (MemSPM) method that can learn the
differences between samples belonging to the same category and mine sub-classes
when there exists significant concept shift between them. By doing so, our
model learns a more reasonable feature space that enhances the transferability
and reflects the inherent differences among samples annotated as the same
category. We evaluate the effectiveness of our MemSPM method over multiple
scenarios, including UniDA, OSDA, and PDA. Our method achieves state-of-the-art
performance on four benchmarks in most cases.
- Abstract（参考訳）: ユニバーサルドメイン適応は、クラスを整列させ、ソースとターゲットドメインの同一カテゴリ間の特徴ギャップを減らすことを目的としている。
対象のプライベートカテゴリは、ソースドメインに含まれないため、適応プロセス中に未知のクラスとして設定される。
しかし、既存の手法の多くはカテゴリ内のクラス内構造を見落としており、特に同じカテゴリに属するサンプル間で重要な概念シフトがある場合である。
大きな概念シフトを持つサンプルを強制的に押し付けると、適応性能に悪影響を及ぼす可能性がある。
さらに、解釈可能性の観点からは、視覚の特徴を戦闘機や民間航空機のような重要な相違点と一致させることは理不尽である。
残念ながら、このような意味的曖昧さとアノテーションのコストのため、カテゴリは必ずしも詳細に分類されるわけではないため、モデルが正確な適応を行うのは困難である。
そこで本研究では,同一のサブクラスに属するサンプルとマイニングサブクラスの違いを学習できるメモリ支援サブプロトタイプマイニング (memspm) 法を提案する。
そうすることで、我々のモデルは、転送可能性を高め、同じカテゴリにアノテートされたサンプル間の固有の差異を反映するより合理的な特徴空間を学習する。
我々は,UniDA,OSDA,PDAを含む複数のシナリオに対してMemSPM法の有効性を評価する。
提案手法は,4つのベンチマークにおいて,ほとんどの場合,最先端の性能を実現する。
関連論文リスト
- EIANet: A Novel Domain Adaptation Approach to Maximize Class Distinction with Neural Collapse Principles [15.19374752514876]
ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインから未ラベルのターゲットドメインに知識を転送することを目的としている。
SFDAにおける大きな課題は、ターゲットドメインの正確な分類情報を導き出すことである。
クラスプロトタイプを分離するための新しいETF-Informed Attention Network(EIANet)を導入する。
論文 参考訳（メタデータ） (2024-07-23T05:31:05Z) - Semantic Enhanced Few-shot Object Detection [37.715912401900745]
本稿では, セマンティックな埋め込みを利用してより優れた検出を行う, 微調整に基づくFSODフレームワークを提案する。
提案手法は,各新規クラスが類似の基底クラスと混同されることなく,コンパクトな特徴空間を構築することを可能にする。
論文 参考訳（メタデータ） (2024-06-19T12:40:55Z) - Few-Shot Object Detection via Variational Feature Aggregation [32.34871873486389]
本稿では,2つの新しい特徴集約方式を用いたメタラーニングフレームワークを提案する。
まず,クラス非依存アグリゲーション(CAA)手法を提案する。
次に、クラスレベルのサポート機能にサポート例をエンコードする変分特徴集約(VFA)手法を提案する。
論文 参考訳（メタデータ） (2023-01-31T04:58:21Z) - Cluster-to-adapt: Few Shot Domain Adaptation for Semantic Segmentation
across Disjoint Labels [80.05697343811893]
クラスタ・トゥ・アダプティブ(Cluster-to-Adapt, C2A)は、セグメンテーションデータセット間のドメイン適応のための、計算的に効率的なクラスタリングベースのアプローチである。
変換された特徴空間に強制されるそのようなクラスタリングの目的は、ソースドメインとターゲットドメインのカテゴリを自動的に選択するのに役立つことを示す。
論文 参考訳（メタデータ） (2022-08-04T17:57:52Z) - MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised
Domain Adaptation [71.4942277262067]
本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。
我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
論文 参考訳（メタデータ） (2022-07-25T17:55:28Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-09T08:14:50Z) - Semantic Concentration for Domain Adaptation [23.706231329913113]
ドメイン適応(DA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインへの知識転送によるラベルアノテーションとデータセットバイアスの問題に対する道を開く。
DA手法の主流は、2つのドメインの特徴分布を整列させることである。
本稿では,ドメイン適応のためのセマンティック集中モデルを提案する。
論文 参考訳（メタデータ） (2021-08-12T13:04:36Z) - Category Contrast for Unsupervised Domain Adaptation in Visual Tasks [92.9990560760593]
本稿では,視覚的 UDA タスクのインスタンス識別に先立って,セマンティックな事前情報を導入した新しいカテゴリコントラスト手法(CaCo)を提案する。
CaCoは既存のUDAメソッドを補完し、半教師付き学習や教師なしモデル適応などの他の学習設定に一般化可能である。
論文 参考訳（メタデータ） (2021-06-05T12:51:35Z) - On Universal Black-Box Domain Adaptation [53.7611757926922]
実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。
ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。
対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
論文 参考訳（メタデータ） (2021-04-10T02:21:09Z) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z)
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。