論文の概要: Mixture-of-Experts for Open Set Domain Adaptation: A Dual-Space
Detection Approach
- arxiv url: http://arxiv.org/abs/2311.00285v1
- Date: Wed, 1 Nov 2023 04:36:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 14:57:26.126694
- Title: Mixture-of-Experts for Open Set Domain Adaptation: A Dual-Space
Detection Approach
- Title(参考訳): オープンセット領域適応のためのミックス・オブ・エキスパート--デュアルスペース検出アプローチ
- Authors: Zhenbang Du, Jiayu An, Jiahao Hong, Dongrui Wu
- Abstract要約: Open Set Domain Adaptation (OSDA)は、ソースとターゲットドメイン間の分散とラベルシフトに同時に対処することを目的としている。
本稿では,画像特徴空間とルーティング特徴空間の不整合を利用して未知のクラスサンプルをしきい値なしで検出するDual-Space Detectionを提案する。
- 参考スコア(独自算出の注目度): 14.758352996060808
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open Set Domain Adaptation (OSDA) aims to cope with the distribution and
label shifts between the source and target domains simultaneously, performing
accurate classification for known classes while identifying unknown class
samples in the target domain. Most existing OSDA approaches, depending on the
final image feature space of deep models, require manually-tuned thresholds,
and may easily misclassify unknown samples as known classes. Mixture-of-Expert
(MoE) could be a remedy. Within an MoE, different experts address different
input features, producing unique expert routing patterns for different classes
in a routing feature space. As a result, unknown class samples may also display
different expert routing patterns to known classes. This paper proposes
Dual-Space Detection, which exploits the inconsistencies between the image
feature space and the routing feature space to detect unknown class samples
without any threshold. Graph Router is further introduced to better make use of
the spatial information among image patches. Experiments on three different
datasets validated the effectiveness and superiority of our approach. The code
will come soon.
- Abstract(参考訳): Open Set Domain Adaptation (OSDA)は、ソースとターゲットドメイン間の分散とラベルシフトを同時に処理し、ターゲットドメイン内の未知のクラスサンプルを特定しながら、既知のクラスを正確に分類することを目的としている。
既存のOSDAアプローチのほとんどは、ディープモデルの最終的な画像特徴空間に依存し、手動で調整されたしきい値を必要とし、未知のサンプルを既知のクラスとして容易に分類する。
Mixture-of-Expert (MoE)は治療薬かもしれない。
MoE内では、異なる専門家が異なる入力機能に対処し、ルーティング機能空間内の異なるクラスの独自の専門家ルーティングパターンを生成する。
その結果、未知のクラスサンプルは、既知のクラスへの異なるエキスパートルーティングパターンを表示することができる。
本稿では,画像特徴空間とルーティング特徴空間の不整合を利用して未知のクラス標本をしきい値なく検出するデュアルスペース検出手法を提案する。
Graph Routerはさらに、イメージパッチ間の空間情報の利用を改善するために導入された。
3つの異なるデータセットの実験は、我々のアプローチの有効性と優位性を検証した。
コードはもうすぐ来るでしょう。
関連論文リスト
- Attention-based Class-Conditioned Alignment for Multi-Source Domain Adaptive Object Detection [11.616494893839757]
オブジェクト検出(OD)のドメイン適応手法は、ソースドメインとターゲットドメイン間の特徴調整を促進することによって、分散シフトの影響を軽減する。
MSDAは、複数のアノテートされたソースデータセットとラベルなしのターゲットデータを活用することで、検出モデルの正確性と堅牢性を改善する。
ドメイン間で各オブジェクトカテゴリのインスタンスをアライメントするMSDAのための注目型クラス条件アライメントスキームを提案する。
論文 参考訳(メタデータ) (2024-03-14T23:31:41Z) - Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。
オープンセットドメイン適応(OSDA)は、この制限に対処する。
そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-10T14:11:09Z) - Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳(メタデータ) (2023-01-01T08:38:07Z) - Conditional Variational Capsule Network for Open Set Recognition [64.18600886936557]
オープンセット認識では、分類器はトレーニング時に未知の未知のクラスを検出する必要がある。
最近提案されたカプセルネットワークは、特に画像認識において、多くの分野で代替案を上回ることが示されている。
本提案では,訓練中,同じ既知のクラスのカプセルの特徴を,事前に定義されたガウス型に適合させることを推奨する。
論文 参考訳(メタデータ) (2021-04-19T09:39:30Z) - OVANet: One-vs-All Network for Universal Domain Adaptation [78.86047802107025]
既存のメソッドは、検証または未知のサンプルの事前定義された比率に基づいて未知のサンプルを拒否するしきい値を手動で設定します。
本稿では,ソースサンプルを用いて閾値を学習し,対象領域に適応する手法を提案する。
私たちの考えは、ソースドメインの最小クラス間距離は、ターゲットの既知のか未知かを決定するための良いしきい値であるべきです。
論文 参考訳(メタデータ) (2021-04-07T18:36:31Z) - Divergence Optimization for Noisy Universal Domain Adaptation [32.05829135903389]
ユニバーサルドメイン適応(UniDA)は、ラベルリッチソースドメインから学んだ知識をラベルスカースターゲットドメインに転送するために提案されている。
本稿では,すべての問題を同時に解決する2ヘッド畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-01T04:16:04Z) - Universal Representation Learning from Multiple Domains for Few-shot
Classification [41.821234589075445]
複数の個別に訓練されたネットワークの知識を蒸留し,一組の普遍的な深層表現を学習することを提案する。
より効率的な適応ステップにより、未確認領域に対する普遍表現をさらに洗練できることが示される。
論文 参考訳(メタデータ) (2021-03-25T13:49:12Z) - mDALU: Multi-Source Domain Adaptation and Label Unification with Partial
Datasets [102.62639692656458]
本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。
本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。
本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
論文 参考訳(メタデータ) (2020-12-15T15:58:03Z) - Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。
本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。
具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
論文 参考訳(メタデータ) (2020-08-27T01:29:10Z)
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。