論文の概要: Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework

• arxiv url: http://arxiv.org/abs/2411.12558v1
• Date: Tue, 19 Nov 2024 15:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:37:59.700725
• Title: Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework
• Title（参考訳）: Recall and Refine: シンプルだが効果的なオープンソースフリーなドメイン適応フレームワーク
• Authors: Ismail Nejjar, Hao Dong, Olga Fink,
• Abstract要約: Open-set Domain Adaptation (OSDA)は、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モデルを適応することを目的としている。 リコール・アンド・リファイン(RRDA)はSF-OSDAフレームワークで,対象とする未知のクラスに対する特徴を明示的に学習することで,制約に対処する。
• 参考スコア（独自算出の注目度）: 9.03028904066824
• License:
• Abstract: Open-set Domain Adaptation (OSDA) aims to adapt a model from a labeled source domain to an unlabeled target domain, where novel classes - also referred to as target-private unknown classes - are present. Source-free Open-set Domain Adaptation (SF-OSDA) methods address OSDA without accessing labeled source data, making them particularly relevant under privacy constraints. However, SF-OSDA presents significant challenges due to distribution shifts and the introduction of novel classes. Existing SF-OSDA methods typically rely on thresholding the prediction entropy of a sample to identify it as either a known or unknown class but fail to explicitly learn discriminative features for the target-private unknown classes. We propose Recall and Refine (RRDA), a novel SF-OSDA framework designed to address these limitations by explicitly learning features for target-private unknown classes. RRDA employs a two-step process. First, we enhance the model's capacity to recognize unknown classes by training a target classifier with an additional decision boundary, guided by synthetic samples generated from target domain features. This enables the classifier to effectively separate known and unknown classes. In the second step, we adapt the entire model to the target domain, addressing both domain shifts and improving generalization to unknown classes. Any off-the-shelf source-free domain adaptation method (e.g., SHOT, AaD) can be seamlessly integrated into our framework at this stage. Extensive experiments on three benchmark datasets demonstrate that RRDA significantly outperforms existing SF-OSDA and OSDA methods.
• Abstract（参考訳）: Open-set Domain Adaptation (OSDA)は、ラベル付きソースドメインから未ラベルのターゲットドメインにモデルを適応させることを目的としている。 Source-free Open-set Domain Adaptation (SF-OSDA)メソッドは、ラベル付きソースデータにアクセスせずにOSDAに対処する。 しかし, SF-OSDAは, 分布変化と新しいクラスの導入により, 重大な課題を呈している。 既存のSF-OSDAメソッドは通常、サンプルの予測エントロピーを閾値付けして、それを既知のクラスまたは未知のクラスとして識別するが、ターゲットがプライベートな未知のクラスに対する識別的特徴を明示的に学習することができない。 リコール・アンド・リファイン (RRDA) は,これらの制約に対処するための新しいSF-OSDAフレームワークである。 RRDAは2段階のプロセスを採用している。 まず、対象ドメインの特徴から生成された合成サンプルによって導かれる新たな決定境界を持つ対象分類器を訓練することにより、未知のクラスを認識するためのモデルの能力を高める。 これにより、分類器は、既知のクラスと未知のクラスを効果的に分離することができる。 2番目のステップでは、モデル全体を対象のドメインに適応させ、両方のドメインシフトに対処し、未知のクラスへの一般化を改善する。 既製のソースフリーなドメイン適応手法(例:SHOT、AaD)は、この段階で私たちのフレームワークにシームレスに統合できます。 3つのベンチマークデータセットに対する大規模な実験により、RRDAは既存のSF-OSDA法とOSDA法を著しく上回っていることが示された。

関連論文リスト

• Open-Set Domain Adaptation for Semantic Segmentation [6.3951361316638815]
  対象ドメインが未知のクラスを含むセマンティック(OSDA-SS)を初めて導入する。 これらの問題に対処するため,BUS を作成したBundary and Unknown Shape-Aware Open-set Domain adaptationを提案する。 我々のBUSは、新しい拡張浸食に基づくコントラスト損失を用いて、未知のクラスと未知のクラスの境界を正確に識別することができる。
  論文  参考訳（メタデータ） (2024-05-30T09:55:19Z)
• Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
  UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。 本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。 本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T13:52:00Z)
• Unknown Sample Discovery for Source Free Open Set Domain Adaptation [1.8130068086063336]
  Open Set Domain Adaptation (OSDA)は、ソースドメインでトレーニングされたモデルを、分散シフトの対象となるターゲットドメインに適応させることを目的としている。 本研究では,教師モデルを用いて未知のサンプル分離を行うSF-OSDA手法として,未知サンプル発見(USD)を導入する。
  論文  参考訳（メタデータ） (2023-12-05T20:07:51Z)
• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく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） (2023-03-10T14:11:09Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• 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)
• Open Set Domain Adaptation By Novel Class Discovery [118.25447367755737]
  Open Set Domain Adaptation (OSDA)では、ソースドメインに存在しない暗黙のカテゴリから大量のターゲットサンプルが引き出される。 暗黙のクラスを徐々に発見することによってOSDAを実現しようとする自己教師付きクラス発見アダプタを提案する。
  論文  参考訳（メタデータ） (2022-03-07T12:16:46Z)
• UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
  Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。 未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。 オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2021-12-16T01:22:59Z)
• 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。