論文の概要: Fuzzy-aware Loss for Source-free Domain Adaptation in Visual Emotion Recognition

• arxiv url: http://arxiv.org/abs/2501.15519v1
• Date: Sun, 26 Jan 2025 13:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:20.660362
• Title: Fuzzy-aware Loss for Source-free Domain Adaptation in Visual Emotion Recognition
• Title（参考訳）: 視覚的感情認識における自由領域適応のためのファジィ認識損失
• Authors: Ying Zheng, Yiyi Zhang, Yi Wang, Lap-Pui Chau,
• Abstract要約: 視覚的感情認識におけるソースフリードメイン適応(SFDA-VER)は非常に難しい課題である。 本稿では,新たなファジィ・アウェア・ロス(FAL)を提案する。
• 参考スコア（独自算出の注目度）: 17.617780698468465
• License:
• Abstract: Source-free domain adaptation in visual emotion recognition (SFDA-VER) is a highly challenging task that requires adapting VER models to the target domain without relying on source data, which is of great significance for data privacy protection. However, due to the unignorable disparities between visual emotion data and traditional image classification data, existing SFDA methods perform poorly on this task. In this paper, we investigate the SFDA-VER task from a fuzzy perspective and identify two key issues: fuzzy emotion labels and fuzzy pseudo-labels. These issues arise from the inherent uncertainty of emotion annotations and the potential mispredictions in pseudo-labels. To address these issues, we propose a novel fuzzy-aware loss (FAL) to enable the VER model to better learn and adapt to new domains under fuzzy labels. Specifically, FAL modifies the standard cross entropy loss and focuses on adjusting the losses of non-predicted categories, which prevents a large number of uncertain or incorrect predictions from overwhelming the VER model during adaptation. In addition, we provide a theoretical analysis of FAL and prove its robustness in handling the noise in generated pseudo-labels. Extensive experiments on 26 domain adaptation sub-tasks across three benchmark datasets demonstrate the effectiveness of our method.
• Abstract（参考訳）: ソースフリー領域適応による視覚的感情認識(SFDA-VER)は、ソースデータに頼ることなく、ターゲットドメインにVERモデルを適応させることを必要とする非常に困難なタスクである。 しかし、視覚的感情データと従来の画像分類データの相違が無視できないため、既存のSFDA法はこの課題に対して不十分である。 本稿では, ファジィな視点からSFDA-VERタスクを調査し, ファジィな感情ラベルとファジィな擬似ラベルの2つの主要な課題を同定する。 これらの問題は、感情アノテーションの固有の不確かさと擬似ラベルの潜在的な誤予測から生じる。 これらの課題に対処するために,新しいファジィ・アウェア・ロス(FAL)を提案する。 具体的には、FALは標準のクロスエントロピー損失を修正し、予測されていないカテゴリの損失を調整することに重点を置いている。 さらに、FALの理論的解析を行い、生成した擬似ラベルのノイズ処理におけるロバスト性を証明する。 3つのベンチマークデータセットにまたがる26のドメイン適応サブタスクに関する大規模な実験により,本手法の有効性が示された。

関連論文リスト

• Bridge then Begin Anew: Generating Target-relevant Intermediate Model for Source-free Visual Emotion Adaptation [22.638915084704344]
  視覚的感情認識(VER)は、人間の異なる視覚刺激に対する感情反応を理解することを目的としている。 ドメイン適応は、ラベル付きソースデータでトレーニングされたモデルをラベルなしターゲットデータに適応させることによって、代替ソリューションを提供する。 プライバシー上の懸念から、ソースの感情的なデータはアクセスできない可能性がある。 本稿では、ドメインブリッジモデル生成(DMG)とターゲットモデル適応(TMA)の2つのステップからなる新しいフレームワークであるBridge then Begin Anew(BBA)を提案する。
  論文  参考訳（メタデータ） (2024-12-18T07:51:35Z)
• Trust And Balance: Few Trusted Samples Pseudo-Labeling and Temperature Scaled Loss for Effective Source-Free Unsupervised Domain Adaptation [16.5799094981322]
  Few Trusted Samples Pseudo-labeling (FTSP) and Temperature Scaled Adaptive Loss (TSAL)を紹介する。 FTSPは、ターゲットデータからの信頼されたサンプルの限られたサブセットを使用して、ドメイン全体の擬似ラベルを推論する分類器を構築する。 TSALは、ユニークな双対温度スケジューリング、漸近的なバランスの多様性、識別性、擬似ラベルの組み込みで設計されている。
  論文  参考訳（メタデータ） (2024-09-01T15:09:14Z)
• Unsupervised Adaptation of Polyp Segmentation Models via Coarse-to-Fine Self-Supervision [16.027843524655516]
  本稿では,アノテートされたソースデータへの依存を解消する,ソースフリードメイン適応(Source-Free Domain Adaptation, SFDA)の実践的問題について検討する。 現在のSFDA法は、ソーストレーニングされたモデルからドメイン知識を抽出することに重点を置いているが、対象ドメインの本質的な構造を無視している。 本稿では,領域レベルと画素レベルの識別表現を粗大な自己超越によって学習する,領域間適応ネットワーク(RPANet)と呼ばれる新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-13T02:37:08Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)

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。