論文の概要: CDAD-Net: Bridging Domain Gaps in Generalized Category Discovery

• arxiv url: http://arxiv.org/abs/2404.05366v1
• Date: Mon, 8 Apr 2024 10:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 14:44:37.709267
• Title: CDAD-Net: Bridging Domain Gaps in Generalized Category Discovery
• Title（参考訳）: CDAD-Net: 汎用カテゴリディスカバリにおけるブリッジングドメインギャップ
• Authors: Sai Bhargav Rongali, Sarthak Mehrotra, Ankit Jha, Mohamad Hassan N C, Shirsha Bose, Tanisha Gupta, Mainak Singha, Biplab Banerjee,
• Abstract要約: Generalized Category Discovery (GCD)は、既知のクラスと新しいクラスのラベルのないサンプルをクラスタリングするツールである。 本稿では、Across Domain Generalized Category Discovery (AD-GCD)を紹介し、CDAD-NETを治療として提供する。 CDAD-NETは、ラベル付き(ソース)データセットとラベルなし(ターゲット)データセットの両方で、既知の潜在的なクラスサンプルを同期するように設計されている。 実験により、CDAD-NETは既存の文献を8～15%上回り、AD-GCDベンチマークを3つのベンチマークで比較した。
• 参考スコア（独自算出の注目度）: 9.505699498746976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Generalized Category Discovery (GCD), we cluster unlabeled samples of known and novel classes, leveraging a training dataset of known classes. A salient challenge arises due to domain shifts between these datasets. To address this, we present a novel setting: Across Domain Generalized Category Discovery (AD-GCD) and bring forth CDAD-NET (Class Discoverer Across Domains) as a remedy. CDAD-NET is architected to synchronize potential known class samples across both the labeled (source) and unlabeled (target) datasets, while emphasizing the distinct categorization of the target data. To facilitate this, we propose an entropy-driven adversarial learning strategy that accounts for the distance distributions of target samples relative to source-domain class prototypes. Parallelly, the discriminative nature of the shared space is upheld through a fusion of three metric learning objectives. In the source domain, our focus is on refining the proximity between samples and their affiliated class prototypes, while in the target domain, we integrate a neighborhood-centric contrastive learning mechanism, enriched with an adept neighborsmining approach. To further accentuate the nuanced feature interrelation among semantically aligned images, we champion the concept of conditional image inpainting, underscoring the premise that semantically analogous images prove more efficacious to the task than their disjointed counterparts. Experimentally, CDAD-NET eclipses existing literature with a performance increment of 8-15% on three AD-GCD benchmarks we present.
• Abstract（参考訳）: Generalized Category Discovery (GCD)では、既知のクラスと新しいクラスのラベルのないサンプルをクラスタ化し、既知のクラスのトレーニングデータセットを活用する。 これらのデータセット間のドメインシフトによって、健全な課題が発生します。 そこで我々は,Across Domain Generalized Category Discovery (AD-GCD) とCDAD-NET (Class Discoverer Across Domains) の2つを紹介した。 CDAD-NETは、ラベル付き(ソース)データセットとラベルなし(ターゲット)データセットの両方で、潜在的な既知のクラスサンプルを同期するように設計されており、ターゲットデータの明確な分類を強調している。 これを容易にするために,本研究では,ソースドメインクラスプロトタイプと比較して,対象サンプルの距離分布を考慮したエントロピー駆動型対角学習戦略を提案する。 同様に、共有空間の差別的性質は、3つの計量学習目標の融合によって支持される。 ソースドメインでは,サンプルと関連するクラスプロトタイプ間の近接性の改善に重点を置いているが,対象ドメインでは,近接性に富んだ近接性学習手法が組み込まれている。 意味的に整合した画像間のニュアンス的特徴相互関係をさらに強調するため、条件付き画像のインペイントの概念を擁護し、意味的に類似した画像がそれらの解離した画像よりもタスクに有効であることを前提にしている。 実験により、CDAD-NETは既存の文献を8～15%上回り、AD-GCDベンチマークを3つのベンチマークで比較した。

関連論文リスト

• Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation [108.40945109477886]
  分類領域アライメントを実現するために,G-ABC (Adaptive Betweenness Clustering) と呼ばれる新しいSSDA手法を提案する。 提案手法は従来のSSDA手法よりも優れており,提案したG-ABCアルゴリズムの優位性を示している。
  論文  参考訳（メタデータ） (2024-01-21T09:57:56Z)
• Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
  本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。 我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。 本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:04:47Z)
• Semi-supervised Domain Adaptation via Prototype-based Multi-level Learning [4.232614032390374]
  半教師付きドメイン適応(SSDA)では、各クラスのいくつかのラベル付きターゲットサンプルが、完全なラベル付きソースドメインからターゲットドメインへの知識表現の転送を支援する。 本稿では,ラベル付き対象サンプルの可能性をうまく活用するために,プロトタイプベースのマルチレベル学習(ProML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-04T10:09:30Z)
• Polycentric Clustering and Structural Regularization for Source-free Unsupervised Domain Adaptation [20.952542421577487]
  Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。 既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。 本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
  論文  参考訳（メタデータ） (2022-10-14T02:20:48Z)
• Collaborating Domain-shared and Target-specific Feature Clustering for Cross-domain 3D Action Recognition [32.430703190988375]
  本稿では、ドメイン共有機能とターゲット特化機能とを協調的にクラスタリングする、CoDTと呼ばれる新しいアプローチを提案する。 本稿では,ロバストな擬似ラベル生成と特徴クラスタリングの同時促進を可能にするオンラインクラスタリングアルゴリズムを提案する。 複数のドメイン間3D行動認識データセットについて広範な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-07-20T09:18:57Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• 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 Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)

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。