論文の概要: Towards Unsupervised Model Selection for Domain Adaptive Object Detection

• arxiv url: http://arxiv.org/abs/2412.17284v1
• Date: Mon, 23 Dec 2024 05:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:05.822776
• Title: Towards Unsupervised Model Selection for Domain Adaptive Object Detection
• Title（参考訳）: ドメイン適応オブジェクト検出のための教師なしモデル選択に向けて
• Authors: Hengfu Yu, Jinhong Deng, Wen Li, Lixin Duan,
• Abstract要約: ドメイン適応オブジェクト検出のための教師なしモデル選択手法を提案する。 パラメータ空間の平坦なミニマ領域に位置するモデルは通常、優れた一般化能力を示す。 一般化により、平坦性はモデル分散と見なせるが、ミニマは検出されたタスクの領域分布距離に依存することを示す。
• 参考スコア（独自算出の注目度）: 27.551367463011008
• License:
• Abstract: Evaluating the performance of deep models in new scenarios has drawn increasing attention in recent years. However, while it is possible to collect data from new scenarios, the annotations are not always available. Existing DAOD methods often rely on validation or test sets on the target domain for model selection, which is impractical in real-world applications. In this paper, we propose a novel unsupervised model selection approach for domain adaptive object detection, which is able to select almost the optimal model for the target domain without using any target labels. Our approach is based on the flat minima principle, i,e., models located in the flat minima region in the parameter space usually exhibit excellent generalization ability. However, traditional methods require labeled data to evaluate how well a model is located in the flat minima region, which is unrealistic for the DAOD task. Therefore, we design a Detection Adaptation Score (DAS) approach to approximately measure the flat minima without using target labels. We show via a generalization bound that the flatness can be deemed as model variance, while the minima depend on the domain distribution distance for the DAOD task. Accordingly, we propose a Flatness Index Score (FIS) to assess the flatness by measuring the classification and localization fluctuation before and after perturbations of model parameters and a Prototypical Distance Ratio (PDR) score to seek the minima by measuring the transferability and discriminability of the models. In this way, the proposed DAS approach can effectively evaluate the model generalization ability on the target domain. We have conducted extensive experiments on various DAOD benchmarks and approaches, and the experimental results show that the proposed DAS correlates well with the performance of DAOD models and can be used as an effective tool for model selection after training.
• Abstract（参考訳）: 近年,新たなシナリオにおける深層モデルの性能評価が注目されている。 しかし、新しいシナリオからデータを集めることは可能だが、アノテーションは必ずしも利用できるとは限らない。 既存のDAODメソッドは、現実のアプリケーションでは非現実的なモデル選択のために、ターゲットドメインの検証やテストセットに依存していることが多い。 本稿では,ドメイン適応オブジェクト検出のための新しい教師なしモデル選択手法を提案する。 我々のアプローチは平らなミニマ原理に基づいている。 パラメータ空間の平坦なミニマ領域に位置するモデルは通常、優れた一般化能力を示す。 しかし、従来の手法では、DAODタスクでは非現実的な平坦なミニマ領域におけるモデルの位置を評価するためにラベル付きデータが必要である。 そこで,本研究では,対象ラベルを使わずにフラットな最小値を測定するためのDAS手法を設計する。 一般化により、平坦性はモデル分散とみなすことができ、一方ミニマはDAODタスクの領域分布距離に依存することを示す。 そこで本研究では,モデルパラメータの摂動前後の分類と局所化の変動を測定することで平坦度を評価するための平坦度指標スコア(FIS)と,モデルの伝達性と識別性を測定して最小値を求めるPDRスコアを提案する。 このようにして、提案したDASアプローチは、対象領域におけるモデル一般化能力を効果的に評価することができる。 様々なDAODベンチマークとアプローチについて広範な実験を行い,実験結果から提案したDAODモデルとDAODモデルの性能の相関がよく,訓練後のモデル選択に有効なツールとして利用できることが示された。

関連論文リスト

• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation [55.87169702896249]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,DA手法の評価と,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの公平な評価を行うフレームワークを提案する。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• Mitigate Domain Shift by Primary-Auxiliary Objectives Association for Generalizing Person ReID [39.98444065846305]
  ReIDモデルは、インスタンス分類の目的に関するトレーニングを通じてのみドメイン不変表現を学ぶのに苦労します。 本稿では,弱いラベル付き歩行者唾液度検出のための補助学習目標を用いて,プライマリReIDインスタンス分類目標のモデル学習を指導する手法を提案する。 我々のモデルは、最近のテストタイムダイアグラムで拡張してPAOA+を形成し、補助的な目的に対してオンザフライ最適化を行うことができる。
  論文  参考訳（メタデータ） (2023-10-24T15:15:57Z)
• Unsupervised Object Localization with Representer Point Selection [19.794650465591683]
  そこで本研究では,モデルの予測を微調整を伴わずに説明できる,新しい教師なしオブジェクトローカライゼーション手法を提案する。 提案手法は,最先端の非教師付き・自己教師型オブジェクトローカライゼーション手法を,有意なマージンを持つ各種データセット上で性能的に優れる。
  論文  参考訳（メタデータ） (2023-09-08T07:38:52Z)
• Dirichlet-based Uncertainty Calibration for Active Domain Adaptation [33.33529827699169]
  アクティブドメイン適応(DA)は、アノテートする限られたターゲットデータを積極的に選択することで、新しいターゲットドメインに対するモデル適応を最大限に向上することを目的としている。 従来のアクティブな学習方法は、ドメインシフトの問題を考慮していないため、効果が低い場合がある。 そこで我々は,iDirichlet-based Uncertainty (DUC) approach for active DAを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:33:29Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
  確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。 本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-19T08:41:19Z)
• Optimal Model Averaging: Towards Personalized Collaborative Learning [0.0]
  連合学習では、参加ノード間のデータや目的の違いが、各ノードに対してパーソナライズされた機械学習モデルをトレーニングするためのアプローチを動機付けている。 そのようなアプローチの1つは、局所的に訓練されたモデルとグローバルモデルの間の重み付き平均化である。 局所モデルと比較して予測される2乗誤差を減少させるモデル平均化の正の量が常に存在することがわかった。
  論文  参考訳（メタデータ） (2021-10-25T13:33:20Z)
• On Universal Black-Box Domain Adaptation [53.7611757926922]
  実践的な展開という観点から,ドメイン適応の最小限の制約条件について検討する。 ソースモデルのインターフェースのみがターゲットドメインで利用可能であり、2つのドメイン間のラベル空間関係が異なることや未知であることが許されている。 対象試料の局所近傍における予測の整合性によって正規化された自己訓練フレームワークに統一することを提案する。
  論文  参考訳（メタデータ） (2021-04-10T02:21:09Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
  本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。 本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
  論文  参考訳（メタデータ） (2020-04-09T07:16:30Z)

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。