論文の概要: HiGDA: Hierarchical Graph of Nodes to Learn Local-to-Global Topology for Semi-Supervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2412.11819v1
• Date: Mon, 16 Dec 2024 14:35:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:56:44.458972
• Title: HiGDA: Hierarchical Graph of Nodes to Learn Local-to-Global Topology for Semi-Supervised Domain Adaptation
• Title（参考訳）: HiGDA: 半教師付きドメイン適応のための局所-グローバルトポロジ学習のためのノード階層グラフ
• Authors: Ba Hung Ngo, Doanh C. Bui, Nhat-Tuong Do-Tran, Tae Jong Choi,
• Abstract要約: 機能レベルとカテゴリレベルの両方で表現を同時に提示するように設計されたノードの階層グラフを導入します。 本研究では、画像内の最も関連性の高いパッチを識別するための局所グラフを導入し、定義された主オブジェクト表現への適応性を促進する。 カテゴリレベルでは、グローバルグラフを使用して、同じカテゴリ内のサンプルから特徴を集約し、全体的な表現を豊かにする。
• 参考スコア（独自算出の注目度）: 0.18749305679160366
• License:
• Abstract: The enhanced representational power and broad applicability of deep learning models have attracted significant interest from the research community in recent years. However, these models often struggle to perform effectively under domain shift conditions, where the training data (the source domain) is related to but exhibits different distributions from the testing data (the target domain). To address this challenge, previous studies have attempted to reduce the domain gap between source and target data by incorporating a few labeled target samples during training - a technique known as semi-supervised domain adaptation (SSDA). While this strategy has demonstrated notable improvements in classification performance, the network architectures used in these approaches primarily focus on exploiting the features of individual images, leaving room for improvement in capturing rich representations. In this study, we introduce a Hierarchical Graph of Nodes designed to simultaneously present representations at both feature and category levels. At the feature level, we introduce a local graph to identify the most relevant patches within an image, facilitating adaptability to defined main object representations. At the category level, we employ a global graph to aggregate the features from samples within the same category, thereby enriching overall representations. Extensive experiments on widely used SSDA benchmark datasets, including Office-Home, DomainNet, and VisDA2017, demonstrate that both quantitative and qualitative results substantiate the effectiveness of HiGDA, establishing it as a new state-of-the-art method.
• Abstract（参考訳）: 近年, 深層学習モデルの表現力の向上と広範な適用性は, 研究コミュニティから大きな関心を集めている。 しかしながら、これらのモデルは、トレーニングデータ(ソースドメイン)が関連するが、テストデータ(ターゲットドメイン)とは異なる分布を示す領域シフト条件下で、効果的に実行するのに苦労することが多い。 この課題に対処するために、以前の研究では、トレーニング中にいくつかのラベル付きターゲットサンプル(半教師付きドメイン適応(SSDA)と呼ばれるテクニック)を組み込むことで、ソースとターゲットデータ間のドメインギャップを削減しようとした。 この戦略は、分類性能の顕著な改善を示しているが、これらのアプローチで使用されるネットワークアーキテクチャは、主に個々の画像の特徴を活用することに焦点を当て、リッチな表現をキャプチャする余地を残している。 本研究では,特徴レベルとカテゴリレベルの両方で表現を同時に提示するように設計されたノードの階層グラフを提案する。 特徴レベルでは、画像内の最も関連性の高いパッチを識別するための局所グラフを導入し、定義された主オブジェクト表現への適応性を促進します。 カテゴリレベルでは、グローバルグラフを使用して、同じカテゴリ内のサンプルから特徴を集約し、全体的な表現を豊かにする。 Office-Home、DomainNet、VisDA2017など、広く使用されているSSDAベンチマークデータセットに関する大規模な実験は、定量的および定性的な結果の両方がHiGDAの有効性を裏付け、新しい最先端の方法として確立していることを実証している。

関連論文リスト

• AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation [13.472532378889264]
  半教師付きドメイン適応(SSDA)において、このモデルは、部分的にラベル付けされたターゲットドメインデータと大量のラベル付けされたソースドメインデータを活用することを目的としている。 本稿では,半教師付きドメイン適応のためのグラフ学習視点(AGLP)を提案する。 グラフ畳み込みネットワークをインスタンスグラフに適用することにより,重み付きグラフエッジに沿って構造情報を伝搬することができる。
  論文  参考訳（メタデータ） (2024-11-20T09:41:41Z)
• StableFDG: Style and Attention Based Learning for Federated Domain Generalization [36.173582743028625]
  本稿では,フェデレートされた領域の一般化を実現するためのスタイルと注意に基づく学習戦略を提案する。 スタイルベースの学習により、各クライアントは、ローカルデータセット内の元のソースドメインを越えて、新しいスタイルを探索できる。 2つ目のコントリビューションは注目に基づく機能ハイライトで、同じクラスのデータサンプルの特徴の類似性をキャプチャします。
  論文  参考訳（メタデータ） (2023-11-01T02:17:01Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
  ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。 時系列センサと画像分類公開データセットの両方で競合性能を得る。
  論文  参考訳（メタデータ） (2021-02-17T17:46:06Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
  ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。 本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。