論文の概要: Progressive Classifier and Feature Extractor Adaptation for Unsupervised Domain Adaptation on Point Clouds

• arxiv url: http://arxiv.org/abs/2311.16474v2
• Date: Wed, 17 Jul 2024 13:46:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 23:08:38.947173
• Title: Progressive Classifier and Feature Extractor Adaptation for Unsupervised Domain Adaptation on Point Clouds
• Title（参考訳）: 点雲上における教師なし領域適応のためのプログレッシブ分類器と特徴外適応
• Authors: Zicheng Wang, Zhen Zhao, Yiming Wu, Luping Zhou, Dong Xu,
• Abstract要約: 非教師なしドメイン適応(UDA)は、ポイントクラウド分析の分野において重要な課題である。 本稿では,3次元UDAのための分類器と特徴抽出器を深く結合した新しいフレームワークを提案する。 われわれのPCFEAはマクロレベルとマイクロレベルという2つの異なる視点から3D UDAを実施している。
• 参考スコア（独自算出の注目度）: 36.596096617244655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation (UDA) is a critical challenge in the field of point cloud analysis. Previous works tackle the problem either by feature extractor adaptation to enable a shared classifier to distinguish domain-invariant features, or by classifier adaptation to evolve the classifier to recognize target-styled source features to increase its adaptation ability. However, by learning domain-invariant features, feature extractor adaptation methods fail to encode semantically meaningful target-specific information, while classifier adaptation methods rely heavily on the accurate estimation of the target distribution. In this work, we propose a novel framework that deeply couples the classifier and feature extractor adaption for 3D UDA, dubbed Progressive Classifier and Feature Extractor Adaptation (PCFEA). Our PCFEA conducts 3D UDA from two distinct perspectives: macro and micro levels. On the macro level, we propose a progressive target-styled feature augmentation (PTFA) that establishes a series of intermediate domains to enable the model to progressively adapt to the target domain. Throughout this process, the source classifier is evolved to recognize target-styled source features (\ie, classifier adaptation). On the micro level, we develop an intermediate domain feature extractor adaptation (IDFA) that performs a compact feature alignment to encourage the target-styled feature extraction gradually. In this way, PTFA and IDFA can mutually benefit each other: IDFA contributes to the distribution estimation of PTFA while PTFA constructs smoother intermediate domains to encourage an accurate feature alignment of IDFA. We validate our method on popular benchmark datasets, where our method achieves new state-of-the-art performance. Our code is available at https://github.com/xiaoyao3302/PCFEA.
• Abstract（参考訳）: 非教師なしドメイン適応(UDA)は、ポイントクラウド分析の分野において重要な課題である。 従来の作業では、共有分類器がドメイン不変の特徴を識別できるようにする機能抽出器適応や、分類器を進化させてターゲットスタイルのソース特徴を認識し、適応能力を高めるための分類器適応といった課題に対処していた。 しかし、ドメイン不変の特徴を学習することで、特徴抽出器適応法は意味論的に意味のあるターゲット固有情報を符号化するのに失敗し、分類器適応法はターゲット分布の正確な推定に大きく依存する。 本研究では,PCFEA(Progressive Classifier and Feature Extractor Adaptation)と呼ばれる,3D UDAのための分類器と特徴抽出器の適応を深く結合した新しいフレームワークを提案する。 われわれのPCFEAはマクロレベルとマイクロレベルという2つの異なる視点から3D UDAを実施している。 マクロレベルでは、モデルが対象領域に段階的に適応できるように、一連の中間領域を確立するプログレッシブターゲットスタイルのフィーチャ拡張(PTFA)を提案する。 このプロセスを通じて、ソース分類器は、ターゲットスタイルのソース特徴 (\ie, classifier adapt) を認識するように進化する。 マイクロレベルでは、ターゲット型特徴抽出を徐々に促進するためにコンパクトな特徴アライメントを行う中間領域特徴抽出器適応(IDFA)を開発する。 このようにして、PTFAとIDFAは相互に利益を得ることができ、IDFAはPTFAの分布推定に寄与し、PTFAはよりスムーズな中間ドメインを構築し、IDFAの正確な特徴アライメントを促進する。 提案手法は,提案手法が新たな最先端性能を実現するため,一般的なベンチマークデータセット上で検証を行う。 私たちのコードはhttps://github.com/xiaoyao3302/PCFEAで利用可能です。

関連論文リスト

• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• ADAS: A Simple Active-and-Adaptive Baseline for Cross-Domain 3D Semantic Segmentation [38.66509154973051]
  本研究では,よく訓練された3次元セグメンテーションモデルの弱いクロスドメイン一般化能力を高めるために,アクティブ・アンド・アダプティブ(ADAS)ベースラインを提案する。 ADASは、有効適応のために、ソースドメインとターゲットドメインの両方から最大不変サブセットを選択するアクティブサンプリング操作を実行する。 1) 対象ドメインからのすべてのサンプルがラベル付けされていないことを意味するUnsupervised Domain Adaptation (UDA)、2) Unsupervised Few-shot Domain Adaptation (UFDA)、つまり、ラベル付けされていないサンプルがラベル付けされていないターゲットドメインでのみ利用可能であることを意味する。
  論文  参考訳（メタデータ） (2022-12-20T16:17:40Z)
• Shuffle Augmentation of Features from Unlabeled Data for Unsupervised Domain Adaptation [21.497019000131917]
  Unsupervised Domain Adaptation (UDA) は、ターゲットサンプルのラベルが利用できない転送学習の分野である。 本稿では,新しいUDAフレームワークとしてShuffle Augmentation of Features (SAF)を提案する。 SAFはターゲットサンプルから学習し、クラス認識対象の特徴を適応的に蒸留し、クラス境界を見つけるために分類器を暗黙的にガイドする。
  論文  参考訳（メタデータ） (2022-01-28T07:11:05Z)
• Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers [141.70707071815653]
  本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。 SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。 3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-27T07:17:12Z)
• Semi-Supervised Domain Adaptation via Adaptive and Progressive Feature Alignment [32.77436219094282]
  SSDASはラベル付きターゲットサンプルを、ラベル付きソースサンプルとラベルなしターゲットサンプルの間に適応的かつプログレッシブな特徴アライメントのためのアンカーとして採用している。 さらに、反復学習過程において、異種音源の特徴を高信頼目標特徴に置き換える。 広範な実験により、提案されたSSDASは、多くのベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2021-06-05T09:12:50Z)
• Transformer-Based Source-Free Domain Adaptation [134.67078085569017]
  本研究では,ソースフリードメイン適応(SFDA)の課題について検討する。 我々は、FDAの一般化モデルを学ぶためのTransformer(TransDA)という、汎用的で効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-28T23:06:26Z)
• 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)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数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タスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。