論文の概要: Enhancing cross-domain detection: adaptive class-aware contrastive
transformer
- arxiv url: http://arxiv.org/abs/2401.13264v1
- Date: Wed, 24 Jan 2024 07:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 15:18:48.375251
- Title: Enhancing cross-domain detection: adaptive class-aware contrastive
transformer
- Title（参考訳）: クロスドメイン検出の強化:適応型クラス認識コントラストトランス
- Authors: Ziru Zeng, Yue Ding, Hongtao Lu
- Abstract要約: 対象領域の不十分なラベルは、クラス不均衡とモデル性能劣化の問題を悪化させる。
逆学習と平均教師フレームワークに基づくクラス対応クロスドメイン検出変換器を提案する。
- 参考スコア（独自算出の注目度）: 15.666766743738531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently,the detection transformer has gained substantial attention for its
inherent minimal post-processing requirement.However,this paradigm relies on
abundant training data,yet in the context of the cross-domain
adaptation,insufficient labels in the target domain exacerbate issues of class
imbalance and model performance degradation.To address these challenges, we
propose a novel class-aware cross domain detection transformer based on the
adversarial learning and mean-teacher framework.First,considering the
inconsistencies between the classification and regression tasks,we introduce an
IoU-aware prediction branch and exploit the consistency of classification and
location scores to filter and reweight pseudo labels.Second, we devise a
dynamic category threshold refinement to adaptively manage model
confidence.Third,to alleviate the class imbalance,an instance-level class-aware
contrastive learning module is presented to encourage the generation of
discriminative features for each class,particularly benefiting minority
classes.Experimental results across diverse domain-adaptive scenarios validate
our method's effectiveness in improving performance and alleviating class
imbalance issues,which outperforms the state-of-the-art transformer based
methods.
- Abstract（参考訳）: Recently,the detection transformer has gained substantial attention for its inherent minimal post-processing requirement.However,this paradigm relies on abundant training data,yet in the context of the cross-domain adaptation,insufficient labels in the target domain exacerbate issues of class imbalance and model performance degradation.To address these challenges, we propose a novel class-aware cross domain detection transformer based on the adversarial learning and mean-teacher framework.First,considering the inconsistencies between the classification and regression tasks,we introduce an IoU-aware prediction branch and exploit the consistency of classification and location scores to filter and reweight pseudo labels.Second, we devise a dynamic category threshold refinement to adaptively manage model confidence.Third,to alleviate the class imbalance,an instance-level class-aware contrastive learning module is presented to encourage the generation of discriminative features for each class,particularly benefiting minority classes.Experimental results across diverse domain-adaptive scenarios validate our method's effectiveness in improving performance and alleviating class imbalance issues,which outperforms the state-of-the-art transformer based methods.
関連論文リスト
- Adaptive Cascading Network for Continual Test-Time Adaptation [12.718826132518577]
そこで本研究では,テスト時に対象ドメインの列に事前学習したソースモデルを適応させることを目標とする連続的なテスト時間適応の問題について検討する。
テストタイムトレーニングの既存の方法には、いくつかの制限がある。
論文 参考訳（メタデータ） (2024-07-17T01:12:57Z) - Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - Robust Class-Conditional Distribution Alignment for Partial Domain
Adaptation [0.7892577704654171]
部分的なドメイン適応設定の学習目的におけるプライベートソースカテゴリからの不要なサンプルは、負の転送を招き、分類性能を低下させる可能性がある。
既存の手法、例えば、ターゲット予測の再重み付けや集約などは、この問題に対して脆弱である。
提案手法は,一階のモーメントだけを深く掘り下げて,異なる,コンパクトなカテゴリー分布を導出することによって,これらの制限を克服しようとするものである。
論文 参考訳（メタデータ） (2023-10-18T15:49:46Z) - Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical
Image Classification [10.92984910426756]
我々は,クラス不均衡な状況に頑健な半教師付きドメイン適応手法を開発した。
高純度クラスタを得るために,ロバストなクラスタリングパイプラインを提案する。
提案手法は, 高度にクラス不均衡な画像パッチを用いた実験において, 最先端の性能を示した。
論文 参考訳（メタデータ） (2023-03-02T14:07:36Z) - MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised
Domain Adaptation [71.4942277262067]
本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。
我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
論文 参考訳（メタデータ） (2022-07-25T17:55:28Z) - General Incremental Learning with Domain-aware Categorical
Representations [37.68376996568006]
本研究では,EMフレームワークに基づく新しいドメイン認識連続学習手法を提案する。
具体的には、von Mises-Fisher混合モデルに基づくフレキシブルなクラス表現を導入し、クラス内構造をキャプチャする。
本研究では, クラス内およびクラス間のデータ不均衡に対処するバイレベルバランスメモリを設計し, 蒸留損失と組み合わせて, クラス間およびクラス内安定性・塑性トレードオフを改善する。
論文 参考訳（メタデータ） (2022-04-08T13:57:33Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Gradient Regularized Contrastive Learning for Continual Domain
Adaptation [86.02012896014095]
本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。
障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。
Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-03-23T04:10:42Z) - Selective Pseudo-Labeling with Reinforcement Learning for
Semi-Supervised Domain Adaptation [116.48885692054724]
半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。
高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。
提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-12-07T03:37:38Z) - Target Consistency for Domain Adaptation: when Robustness meets
Transferability [8.189696720657247]
学習不変表現(Learning Invariant Representations)は、ソースとUnsupervised Domain Adaptationのターゲットドメインの調整に成功している。
ソースドメインに保持されているにもかかわらず、クラスタの仮定がターゲットドメインで違反していることを示す。
我々の新しいアプローチは、画像分類とセグメンテーションベンチマークの両方において、大幅な改善をもたらす。
論文 参考訳（メタデータ） (2020-06-25T09:13:00Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための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） (2020-02-06T22:58:20Z)
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。