論文の概要: SADA: Semantic adversarial unsupervised domain adaptation for Temporal Action Localization

• arxiv url: http://arxiv.org/abs/2312.13377v2
• Date: Fri, 5 Apr 2024 12:14:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-08 18:35:30.387655
• Title: SADA: Semantic adversarial unsupervised domain adaptation for Temporal Action Localization
• Title（参考訳）: SADA(Semantic adversarial unsupervised domain adapt for Temporal Action Localization)
• Authors: David Pujol-Perich, Albert Clapés, Sergio Escalera,
• Abstract要約: 本稿では,Sparse TAL における Unsupervised Domain Adaptation のアプローチを初めて紹介する。 我々は、現実的なスパース動作検出ベンチマークで動作するドメイン適応モデルの開発を開拓した。 EpicKitchens100とCharadesEgoをベースとした,複数のドメインシフトを評価する新しいベンチマークセットを提案する。
• 参考スコア（独自算出の注目度）: 32.35611853688068
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temporal Action Localization (TAL) is a complex task that poses relevant challenges, particularly when attempting to generalize on new -- unseen -- domains in real-world applications. These scenarios, despite realistic, are often neglected in the literature, exposing these solutions to important performance degradation. In this work, we tackle this issue by introducing, for the first time, an approach for Unsupervised Domain Adaptation (UDA) in sparse TAL, which we refer to as Semantic Adversarial unsupervised Domain Adaptation (SADA). Our contributions are threefold: (1) we pioneer the development of a domain adaptation model that operates on realistic sparse action detection benchmarks; (2) we tackle the limitations of global-distribution alignment techniques by introducing a novel adversarial loss that is sensitive to local class distributions, ensuring finer-grained adaptation; and (3) we present a novel set of benchmarks based on EpicKitchens100 and CharadesEgo, that evaluate multiple domain shifts in a comprehensive manner. Our experiments indicate that SADA improves the adaptation across domains when compared to fully supervised state-of-the-art and alternative UDA methods, attaining a performance boost of up to 6.14% mAP.
• Abstract（参考訳）: 時間的アクションローカライゼーション(TAL)は複雑なタスクであり、特に現実世界のアプリケーションにおいて、新しい(目に見えない)ドメインを一般化しようとする場合に、関連する課題を引き起こす。 これらのシナリオは現実的であるにもかかわらず、文献ではしばしば無視され、これらのソリューションを重要なパフォーマンス劣化にさらしている。 本研究では,SADA(Semantic Adversarial Unsupervised Domain Adaptation)と呼ぶ,非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)のスパースTALへのアプローチを初めて導入することによって,この問題に対処する。 我々は,(1)現実的なスパース行動検出ベンチマークを用いたドメイン適応モデルの開発を開拓し,(2)局所的なクラス分布に敏感で,よりきめ細かい適応を確保できる新たな逆方向の損失を導入し,(2)包括的に複数のドメインシフトを評価するEpicKitchens100とCharadesEgoに基づく,新しいベンチマークセットを提示することで,グローバルな分散アライメント手法の限界に対処する。 以上の結果から,SADAは完全教師付きおよび代替UDA手法と比較してドメイン間の適応性を向上し,最大6.14%mAPの性能向上を実現した。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Complementary Domain Adaptation and Generalization for Unsupervised Continual Domain Shift Learning [4.921899151930171]
  教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。 本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。 我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
  論文  参考訳（メタデータ） (2023-03-28T09:05:15Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• Exploiting Diverse Characteristics and Adversarial Ambivalence for Domain Adaptive Segmentation [20.13548631627542]
  新しいドメインにセマンティックセグメンテーションモデルを適用することは重要だが難しい問題だ。 特殊なプログレッシブな敵対的トレーニング機構と新しい自己訓練政策によって強化された条件付き適応フレームワークを提案する。 対象の画像が気象条件によって異なる様々な適応シナリオに対して,本手法を評価する。
  論文  参考訳（メタデータ） (2020-12-10T11:50:59Z)
• Domain Adaptation with Incomplete Target Domains [61.68950959231601]
  本稿では、この新たなドメイン適応問題に対処するために、不完全データインプットに基づく Adversarial Network (IDIAN) モデルを提案する。 提案モデルでは,対象領域における部分的な観測に基づいて,欠落した特徴値を満たすデータ計算モジュールを設計する。 我々は、クロスドメインベンチマークタスクと、不完全なターゲットドメインを用いた実世界適応タスクの両方で実験を行う。
  論文  参考訳（メタデータ） (2020-12-03T00:07:40Z)
• Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
  S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。 本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。 空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-19T04:25:10Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Generalized Zero-Shot Domain Adaptation via Coupled Conditional Variational Autoencoders [23.18781318003242]
  本研究では,新しい条件結合型変分自動エンコーダ(CCVAE)を提案する。 航空セキュリティにおける現実の応用をシミュレートするために、X線セキュリティチェックポイントデータセットを含む3つのドメイン適応データセットで実験が行われた。
  論文  参考訳（メタデータ） (2020-08-03T21:48:50Z)
• Attract, Perturb, and Explore: Learning a Feature Alignment Network for Semi-supervised Domain Adaptation [34.81203184926791]
  半教師付きドメイン適応(SSDA)問題の新しい設定について検討する。 我々の枠組みは3つのスキーム、すなわちアトラクション、摂動、探索から構成される。 提案手法は,全データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-18T09:26:25Z)

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。