論文の概要: Deep Feature Registration for Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2310.16100v1
- Date: Tue, 24 Oct 2023 18:04:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:48:43.229496
- Title: Deep Feature Registration for Unsupervised Domain Adaptation
- Title(参考訳): 教師なしドメイン適応のためのDeep Feature Registration
- Authors: Youshan Zhang and Brian D. Davison
- Abstract要約: 本稿では,ドメイン不変性を維持する登録機能を生成するためのDFRモデルを提案する。
また,対象ドメインにおける擬似ラベルの品質向上のために,擬似ラベル改質プロセスも採用している。
- 参考スコア(独自算出の注目度): 15.246480756974963
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: While unsupervised domain adaptation has been explored to leverage the
knowledge from a labeled source domain to an unlabeled target domain, existing
methods focus on the distribution alignment between two domains. However, how
to better align source and target features is not well addressed. In this
paper, we propose a deep feature registration (DFR) model to generate
registered features that maintain domain invariant features and simultaneously
minimize the domain-dissimilarity of registered features and target features
via histogram matching. We further employ a pseudo label refinement process,
which considers both probabilistic soft selection and center-based hard
selection to improve the quality of pseudo labels in the target domain.
Extensive experiments on multiple UDA benchmarks demonstrate the effectiveness
of our DFR model, resulting in new state-of-the-art performance.
- Abstract(参考訳): ラベル付きソースドメインからラベル付きターゲットドメインへの知識を活用するために、教師なしのドメイン適応が検討されているが、既存の手法は2つのドメイン間の分散アライメントに焦点を当てている。
しかし、ソースとターゲットの機能を調整する方法には、うまく対応していない。
本稿では,ドメイン不変特徴を維持し,ヒストグラムマッチングによる登録特徴と対象特徴のドメイン異同性を同時に最小化する,登録特徴を生成できるディープ特徴登録(dfr)モデルを提案する。
さらに,確率的ソフトセレクションとセンターベースハードセレクションの両方を考慮して,ターゲット領域における擬似ラベルの品質を向上させる擬似ラベルリファインメントプロセスも採用する。
複数のUDAベンチマークでの大規模な実験は、我々のDFRモデルの有効性を示し、その結果、新しい最先端の性能をもたらす。
関連論文リスト
- GrabDAE: An Innovative Framework for Unsupervised Domain Adaptation Utilizing Grab-Mask and Denoise Auto-Encoder [16.244871317281614]
Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインでトレーニングされたモデルを、ドメインシフトに対処することによってラベルなしのターゲットドメインに適応することを目的としている。
視覚分類タスクのドメインシフトに対処するために設計された,革新的なUDAフレームワークであるGrabDAEを紹介する。
論文 参考訳(メタデータ) (2024-10-10T15:19:57Z) - CA-UDA: Class-Aware Unsupervised Domain Adaptation with Optimal
Assignment and Pseudo-Label Refinement [84.10513481953583]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ターゲットデータに欠けているラベルのサロゲートとして、優れた擬似ラベルの選択に焦点を当てる。
ソースとターゲットドメインの共有ネットワークが通常、擬似ラベルの選択に使用されるため、擬似ラベルを劣化させるソースドメインバイアスは依然として存在する。
本稿では, 擬似ラベルの品質向上のためのCA-UDAを提案し, 最適課題, 擬似ラベル改善戦略, クラス対応ドメインアライメントを提案する。
論文 参考訳(メタデータ) (2022-05-26T18:45:04Z) - ADeADA: Adaptive Density-aware Active Domain Adaptation for Semantic
Segmentation [23.813813896293876]
セマンティックセグメンテーションのための一般的なアクティブドメイン適応フレームワークであるADeADAについて述べる。
対象とするドメインアノテーションが5%未満の場合、我々のメソッドは完全な監視の方法と同等の結果に到達します。
論文 参考訳(メタデータ) (2022-02-14T05:17:38Z) - 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) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳(メタデータ) (2021-03-25T15:28:41Z) - Re-energizing Domain Discriminator with Sample Relabeling for
Adversarial Domain Adaptation [88.86865069583149]
Unsupervised Domain Adapt (UDA)メソッドは、ドメインの競合トレーニングを利用して、機能を調整してドメインのギャップを減らす。
本研究では,Re-enforceable Adversarial Domain Adaptation (RADA) と呼ばれる効率的な最適化戦略を提案する。
RADAは、動的ドメインラベルを使用して、トレーニング中にドメイン識別器を再活性化することを目指しています。
論文 参考訳(メタデータ) (2021-03-22T08:32:55Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳(メタデータ) (2020-12-04T14:28:19Z) - Cross-domain Self-supervised Learning for Domain Adaptation with Few
Source Labels [78.95901454696158]
ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。
本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
論文 参考訳(メタデータ) (2020-03-18T15:11:07Z)
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。