論文の概要: Cross Domain Adaptation using Adversarial networks with Cyclic loss

• arxiv url: http://arxiv.org/abs/2412.01935v1
• Date: Mon, 02 Dec 2024 19:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:17.335891
• Title: Cross Domain Adaptation using Adversarial networks with Cyclic loss
• Title（参考訳）: 周期的損失を伴う対数ネットワークを用いたクロスドメイン適応
• Authors: Manpreet Kaur, Ankur Tomar, Srijan Mishra, Shashwat Verma,
• Abstract要約: 本研究では,一方のドメインから他方のドメインへの変換を行うジェネレータネットワークの精度向上を目的とした,一連の手法について検討した。 この研究は、制御されていない方法で合成入力からラベル付きデータを生成するようなドメイン適応ネットワークから導出できる無数のアプリケーションによって動機付けられている。
• 参考スコア（独自算出の注目度）: 0.6924743564169895
• License:
• Abstract: Deep Learning methods are highly local and sensitive to the domain of data they are trained with. Even a slight deviation from the domain distribution affects prediction accuracy of deep networks significantly. In this work, we have investigated a set of techniques aimed at increasing accuracy of generator networks which perform translation from one domain to the other in an adversarial setting. In particular, we experimented with activations, the encoder-decoder network architectures, and introduced a Loss called cyclic loss to constrain the Generator network so that it learns effective source-target translation. This machine learning problem is motivated by myriad applications that can be derived from domain adaptation networks like generating labeled data from synthetic inputs in an unsupervised fashion, and using these translation network in conjunction with the original domain network to generalize deep learning networks across domains.
• Abstract（参考訳）: ディープラーニングメソッドは、非常に局所的で、トレーニングされているデータのドメインに敏感です。 ドメイン分布からのわずかなずれでさえ、ディープネットワークの予測精度に大きな影響を及ぼす。 本研究では,一方のドメインから他方のドメインへの変換を行うジェネレータネットワークの精度向上を目的とした,対角的条件下での一連の手法について検討した。 特に,エンコーダとデコーダのネットワークアーキテクチャであるアクティベーションを実験し,ジェネレータネットワークを制約する循環損失と呼ばれるロスを導入し,効率的なソース・ターゲット翻訳を学習した。 この機械学習問題は、教師なしの方法で合成入力からラベル付きデータを生成するようなドメイン適応ネットワークから導出できる無数のアプリケーションによって動機付けられ、これらの翻訳ネットワークを元のドメインネットワークと組み合わせてドメイン間のディープラーニングネットワークを一般化する。

関連論文リスト

• Direct Distillation between Different Domains [97.39470334253163]
  異なるドメイン間の直接蒸留(4Ds)と呼ばれる新しいワンステージ手法を提案する。 まず、Fourier変換に基づいて学習可能なアダプタを設計し、ドメイン固有の知識からドメイン不変知識を分離する。 次に、価値あるドメイン不変知識を学生ネットワークに転送するための融合活性化機構を構築する。
  論文  参考訳（メタデータ） (2024-01-12T02:48:51Z)
• Training toward significance with the decorrelated event classifier transformer neural network [0.0]
  自然言語処理では、主要なニューラルネットワークアーキテクチャの1つがトランスフォーマーである。 この訓練されたネットワークは、強化された決定木やフィードフォワードネットワークよりも優れた性能を発揮することが判明した。
  論文  参考訳（メタデータ） (2023-12-31T08:57:29Z)
• Navigating the Kaleidoscope of COVID-19 Misinformation Using Deep Learning [0.76146285961466]
  対象ドメインの局所的コンテキストとグローバル的コンテキストの両方をキャプチャする効果的なモデルを提案する。 i) 深層トランスフォーマーをベースとした事前学習モデルでは, 混合ドメイン変換学習が有効であり, 局所的な文脈を捉えるのが得意であり, 一般化が不十分である。 浅いネットワークベースのドメイン固有モデルと畳み込みニューラルネットワークの組み合わせは、階層的な方法でターゲットデータから局所的およびグローバル的コンテキストを直接抽出し、より一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-09-19T15:49:25Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• Unsupervised Domain Adaptation for Retinal Vessel Segmentation with Adversarial Learning and Transfer Normalization [22.186070895966022]
  本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。 ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。 我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-08-04T02:45:37Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Lossless Compression of Deep Neural Networks [17.753357839478575]
  ディープニューラルネットワークは、画像や言語認識など、多くの予測モデリングタスクで成功している。 モバイルデバイスのような限られた計算資源の下でこれらのネットワークをデプロイすることは困難である。 生成した出力を変更せずに、ニューラルネットワークの単位と層を除去するアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-01-01T15:04:43Z)

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。