論文の概要: De-Confusing Pseudo-Labels in Source-Free Domain Adaptation
- arxiv url: http://arxiv.org/abs/2401.01650v2
- Date: Wed, 13 Mar 2024 13:13:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 17:58:41.510204
- Title: De-Confusing Pseudo-Labels in Source-Free Domain Adaptation
- Title(参考訳): ソースフリードメイン適応における擬似ラベルの非畳み込み
- Authors: Idit Diamant, Amir Rosenfeld, Idan Achituve, Jacob Goldberger, Arnon
Netzer
- Abstract要約: ソースフリードメイン適応(SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされたモデルを適用することを目的としている。
本稿では,ドメイン適応設定における雑音分布に対処するための新しいノイズ学習手法を提案する。
SFDA法(SHOT, SHOT++, AaD)と組み合わせたアプローチの有効性を示す。
- 参考スコア(独自算出の注目度): 16.04404871688151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Source-free domain adaptation (SFDA) aims to adapt a source-trained model to
an unlabeled target domain without access to the source data. SFDA has
attracted growing attention in recent years, where existing approaches focus on
self-training that usually includes pseudo-labeling techniques. In this paper,
we introduce a novel noise-learning approach tailored to address noise
distribution in domain adaptation settings and learn to de-confuse the
pseudo-labels. More specifically, we learn a noise transition matrix of the
pseudo-labels to capture the label corruption of each class and learn the
underlying true label distribution. Estimating the noise transition matrix
enables a better true class-posterior estimation, resulting in better
prediction accuracy. We demonstrate the effectiveness of our approach when
combined with several SFDA methods: SHOT, SHOT++, and AaD. We obtain
state-of-the-art results on three domain adaptation datasets: VisDA, DomainNet,
and OfficeHome.
- Abstract(参考訳): ソースフリードメイン適応(SFDA)は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされたモデルを適用することを目的としている。
SFDAは近年注目を集めており、既存のアプローチは通常擬似ラベル技術を含む自己学習に重点を置いている。
本稿では,ドメイン適応設定における雑音分布に対処し,擬似ラベルの解離を学習するための新しいノイズ学習手法を提案する。
具体的には、擬似ラベルのノイズ遷移行列を学習し、各クラスのラベルの破損を捉え、基礎となる真のラベル分布を学習する。
ノイズ遷移行列の推定により、より真のクラス後推定が可能となり、予測精度が向上する。
SFDA法(SHOT, SHOT++, AaD)と組み合わせたアプローチの有効性を示す。
VisDA、DomainNet、OfficeHomeの3つのドメイン適応データセットについて、最先端の結果を得る。
関連論文リスト
- Robust Target Training for Multi-Source Domain Adaptation [110.77704026569499]
両レベル最適化に基づく新しいMSDAのためのロバスト目標訓練法(BORT$2$)を提案する。
提案手法は,大規模なDomainNetデータセットを含む3つのMSDAベンチマークにおいて,アートパフォーマンスの状態を達成している。
論文 参考訳(メタデータ) (2022-10-04T15:20:01Z) - Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。
本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。
MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-05-27T13:09:08Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - 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) - Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文 参考訳(メタデータ) (2021-03-29T22:18:34Z) - Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。
本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。
その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
論文 参考訳(メタデータ) (2020-10-01T10:44:31Z)
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。